ماشین بینایی و پردازش تصویر
سال:1402 | دوره:10 | شماره:1 |تعداد مقالات:6

مسئله ی بازشناسایی شخص شامل بازیابی تصاویر یک فرد در میان تصاویر جمع آوری شده توسط مجموعه ای از دوربین های غیرهم پوشان می باشد. باوجود عملکرد موفق آمیز مدل های عمیق بازشناسایی شخص، هنگام آزمایش مدل روی مجموعه داده ی بدون برچسب متفاوت با مجموعه داده ی آموزشی برچسب گذاری شده، عملکرد مدل به شدت کاهش می یابد. برای حل این مشکل می توان از وفق دهی دامنه ی بدون نظارت استفاده کرد.در این پژوهش مدلی با تعمیم پذیری بالا برای وفق دهی دامنه ی بدون نظارت در مسئله ی بازشناسایی شخص ارائه شده است. در این مدل از مجموعه داده ی برچسب گذاری شده ی دامنه ی منبع و مجموعه داده ی بدون برچسب دامنه ی هدف برای آموزش مدل استفاده می شود و مدل باید در هنگام آزمایش روی دامنه ی هدف عملکرد مناسبی داشته باشد. برای این هدف، مدل پیشنهادی توسط سه تابع اتلاف بهینه سازی می شود.  مجموع تابع اتلاف یادگیری بانظارت ویژگی های دامنه ی منبع، تابع اتلاف یادگیری بدون نظارت ویژگی های دامنه ی هدف و یک تابع اتلاف سه گانه به منظور یادگیری توأم ویژگی های دامنه ی منبع و دامنه ی هدف، تابع اتلاف نهایی شبکه را تشکیل می دهد. مدل پیشنهادی با استراتژی دوم انتخاب همسایه ها در تنظیمات Duke→Market در رتبه ی 1 معیارCMC مقدار 84.5 درصد و مقدارmAP63 درصد و در تنظیمات Market→Duke در رتبه ی 1 معیارCMC مقدار 70.1 درصد و مقدار mAP49.1 درصد را به دست آورده است.

تشخیص فعالیت انسان، امروزه به ­عنوان یک حوزه مهم در کاربردهای مختلفی مورد استفاده قرار گرفته است و مورد توجه بسیاری از محققان حوزه بینایی ماشین است تا بتوانند فعالیت اجرا شده در یک ویدئو را با دقت بالا طبقه ­بندی نمایند. در این مقاله یک روش دو جریانه با ساختاری جدید معرفی می­گردد که از دو ویژگی­ مکانی در هر دو جریان استفاده می­کند به­ گونه ­ای که این ویژگی­ها بتوانند به پوشش نقاط ضعف همدیگر بپردازند. استفاده از این ساختار در نهایت می­تواند به صورت دقیق­تری منجر به پیش­بینی برچسب فعالیت شود. در جریان اول ضرایب موجک با چندریزگی مناسب و در جریان دیگر ویژگی­های عمیق از قاب­ها استخراج می­شوند. ویژگی­های حاصل در دو نقشه ویژگی­های مکانی قرار می­گیرند و با استفاده از یک شبکه عمیق جدید تغییرات زمانی در نقشه­ها یاد گرفته می­شوند و با ترکیب اطلاعات طبقه بندی دو جریان برچسب نهایی تعیین می­گردد. دقت روش پیشنهادی روی 3 مجموعه داده واقعی UCFYT، UCF-Sport، و JHMDB برابر با 98.7، 99.83 و 92.86 بوده که عملکرد روش به طور میانگین نسبت به بهترین روش معرفی شده قبلی 4.6 درصد بهتر است.

در سال های اخیر، از تکنیک های یادگیری عمیق به وفور برای تشخیص کووید با استفاده از تصاویر پزشکی استفاده می شود. با این حال در تشخص بیماری کووید 19 به دلیل داده های ناکافی، آموزش مدل به درستی انجام نمی شود و در نتیجه ی آن تعمیم پذیری مدل کاهش می یابد. برای پرداختن به این مسئله، می توان داده های چندین منبع مختلف را با استفاده از یادگیری انتقالی ترکیب کرد. در این مقاله برای بهبود کیفیت انتقال بین چند منبع داده، ما یک مدل یادگیری انتقالی متخاصم چند منبعی را پیشنهاد می کنیم. در این روش شبکه هم زمان با تلاش برای دسته بندی صحیح داده ها، سعی در هر چه شبیه تر ساختن ویژگی های مجموعه داده ی مبدأ و مقصد به یکدیگر را دارد تا نتایج یکسانی از نظر کمی و کیفی حاصل شود. همچنین در روش پیشنهادی از تابع خطای مرکزی برای آموزش مدل استفاده می کنیم. استفاده از تابع خطا ی مرکزی به تمییز هرچه بهتر کلاس ها از یکدیگر کمک شایانی می کند. ارزیابی روش پیشنهادی با بررسی سناریوهای مختلف انتقال با دو مجموعه داده SARS-CoV-2 CT Scan و COVID19-CT با تعداد محدود تصاویر انجام گرفته و با نتایج سایر الگوریتم های موفق مقایسه می شود. روش پیشنهادی به ازای معیارهای accuracy، precision، recall و F1 به بهبود 2، 15، 15 و 8 درصدی نسبت به بهترین نتایج سایر روش های مقایسه شده، دست یافته است. کد پیاده سازی روش پیشنهادی در آدرس گیت هاب زیر در دسترس است:https://github.com/HadiAlhares/Covid19

سرطان پستان عامل اصلی مرگ ومیر ناشی از سرطان در زنان اکثر کشورهای جهان است. تشخیص سرطان پستان در مراحل اولیه تأثیر زیادی در کاهش نرخ مرگ ومیر دارد. تصویربرداری اولتراسوند خودکار سه بعدی پستان (3D ABUS) نوعی تصویربرداری است که اخیراً در کنار ماموگرافی برای تشخیص زودهنگام سرطان پستان استفاده می شود. حجم سه بعدی تولیدشده در این تصویربرداری شامل تعداد زیادی برش است. رادیولوژیست برای یافتن توده باید تمام برش های تصویر را بررسی کند که کاری زمان بر با احتمال خطای زیاد است. امروزه برای کمک به رادیولوژیست ها در آشکارسازی توده، سیستم های آشکارساز کامپیوتری (CAD) بسیاری ارائه شده است.در این مقاله، معماری 3D U-Net با قرار دادن دو نوع ماژول Inception تغییریافته در بخش کدگذار بهبود داده شده و برای آشکارسازی توده در تصاویر 3D ABUS استفاده شده است. در ماژول پیشنهادی اول که در اولین لایه کدگذار قرار می گیرد، ویژگی های سه بعدی متنوع با دو میدان دید متفاوت تولید می شود. در ماژول دوم که در لایه های بعدی کدگذار قرار می گیرد، ویژگی های خطی و ویژگی های صفحه ای استخراج می شود. مجموعه داده مورد استفاده دارای 60 حجم 3D ABUS از 43 بیمار و شامل 55 توده است. شبکه پیشنهادی به حساسیت 92.9% و میانگین FP برابر با 22.75 به ازای هر بیمار دست یافته است.

هدف مطالعه­ ی حاضر بررسی اثر بهنجار سازی و تعداد تکرار اجرای فیلتر خطی حذف اسپکل بر کیفیت تصاویر فراصوتی متوالی از شریان کاروتید و انتخاب معیار بهینه برای تعداد تکرار فیلتر حذف اسپکل در تصاویر فراصوتی است. 750 تصویر فراصوتی متوالی در طول سه سیکل قلبی از شریان کاروتید سه داوطلب مرد سالم (24، 31 و 42 ساله) و 250 تصویر فراصوتی متوالی در طول سه سیکل قلبی از شریان کاروتید یک داوطلب مرد 65 ساله دارای تنگی آترواسکلروز ثبت شد. با استفاده از یک برنامه نوشته شده در محیط متلب، ابتدا تصاویر با مقیاس ­بندی مجدد سطح خاکستری خون و ادونتیشیا بهنجار شدند و سپس یک فیلتر خطی حذف اسپکل در 10 تکرار بر تصاویر بهنجار شده اعمال شد. کیفیت تصاویر پردازش­ شده با تکرارهای مختلف، با استفاده از شاخص­ های میانگین، واریانس، نسبت سیگنال به نویز، کنتراست نسبی، اندیس نویز اسپکل، نسبت کنتراست به اسپکل و تشابه ساختاری مورد ارزیابی قرار گرفت.نتایج مطالعه حاضر نشان می­دهد که در میان شاخص ­های مورد ارزیابی، تشابه ساختاری تنها مشخصه ه­ای است که با افزایش تکرار فیلتر رفتار یکنوا ندارد بطوری­که با افزایش تعداد تکرار فیلتر خطی، تشابه ساختاری ابتدا افزایش و سپس کاهش می یابد. بهینه تعداد تکرار فیلتر حذف نویز مربوط به بیشینه مقدار تشابه ساختاری است. براساس نتایج مطالعه­ ی حاضر، به نظر می­رسد برای دستیابی به بیشینه تشابه ساختاری به 2 تا 5 مرتبه فیلتراسیون خطی با اندازه 5×5 نیاز است و افزایش بیشتر تعداد فیلتر، ضمن افزایش هزینه محاسباتی موجب کاهش تشابه ساختاری و محو شدن جزتیات تصویر می­شود.

توصیف­ محتوای تصویر به­ صورت خودکار توسط ماشین یک مشکل چالش ­برانگیز در بینایی کامپیوتر است و هدف آن تولید توضیحات قابل درک توسط کامپیوتر برای تصاویر می­باشد. استفاده از شبکه ­های عصبی پیچشی (CNN) نقش مهمی در زمینه  توصیف تصاویر ایفا کرده است. با این حال، در طول فرآیند تولید توصیف های مرتبط با تصویر دو چالش عمده برای CNN وجود دارد که عبارتند از: عدم توجه آنها به روابط و ساختارهای سلسله مراتبی مکانی بین اشیای درون تصویر، و عدم ثبات در مقابل تغییرات چرخشی تصاویر. به ­منظور رفع این چالش­ ها این مقاله با بهره­ گیری از یک شبکه کپسولی بهبود یافته، به توصیف محتوای تصویر با استفاده از پردازش زبان­ طبیعی می­پردازد. شبکه کپسولی با درنظر گرفتن موقعیت مکانی اشیای درون تصویر نسبت به یکدیگر،  اطلاعات مربوط به محتوای تصویر را ارائه می­دهد. یک کپسول شامل مجموعه ای از نورون ها است که پارامترهای وضعیت اشیا درون تصویر مانند سایز، جهت، مقیاس و روابط اشیا نسبت به هم را در نظر می گیرند. این کپسول ­ها تمرکز ویژه­ای بر استخراج ویژگی­ های معنادار برای استفاده در فرآیند تولید توضیحات مرتبط برای مجموعه­ ای معین از تصاویر دارند. آزمایش های کیفی روی مجموعه داده های MS-COCO با بهره­ گیری از شبکه کپسولی و روش تعبیه ­سازی ELMo، منجر به بهبود 2 تا 5 درصدی معیارهای ارزیابی شده، در مقایسه با مدل های زیرنویس تصویر موجود شده است.