جستجو و بازیابی کلمات دستنویس در اسناد تصویری روشی جایگزین برای بازشناسی کاراکترهای نوری (OCR) است. این راهکار بیشتر در مواردی که بازشناسی کاراکترهای نوری دقت پایینی دارند، مانند متون دستنویس یا متون چاپی با کیفیت پایینی مطرح می گردد. امروزه یکی از روشهای کارآمد در بازیابی مبتنی بر محتوای تصویر، که برای کلمات تصویری هم توسعه داده شده است، استفاده از رده بندی مبتنی بر خصیصه (Attribute-based Classification) و همچنین تعبیه برچسب (label Embedding) است. در این مقاله چند خصیصه مختلف مبتنی بر ساختار نگارش زبان فارسی جهت استفاده در بازیابی کلمات تصویری فارسی معرفی شده و نتایج حاصل از روش های مبتنی بر خصیصه های پیشنهادی مقایسه گردیده است. در ارائه خصیصه ها ساختار نگارشی زبان فارسی درنظر گرفته شده است تا بهترین مطابقت را با روش نگارش فارسی داشته باشد. روش مورد مطالعه توانایی بازیابی کلمات تصویری با استفاده از کلمه پرسشی تصویری و متنی را داراست. علاوه بر این می تواند به عنوان روشی جهت بازشناسی کلمات نیز مورد استفاده قرار گیرد. همچنین روش ارائه شده با استفاده از قابلیت رده بندی مبتنی بر خصیصه، توانایی شناسایی کلاس کلماتی که در پایگاه داده آموزشی وجود ندارد را نیز دارا است. آزمایش های تجربی بر روی دو مجموعه داده استاندارد فارسا و ایرانشهر مورد بررسی قرار گرفته و نتایج حاصل از اجرای روش پیشنهادی قابل قبول است.

Multi-label classification aims at assigning more than one label to each instance. Many real-world multi-label classification tasks are high dimensional, leading to reduced performance of traditional classifiers. Feature selection is a common approach to tackle this issue by choosing prominent features. Multi-label feature selection is an NP-hard approach, and so far, some swarm intelligence-based strategies and have been proposed to find a near optimal solution within a reasonable time. In this paper, a hybrid intelligence algorithm based on the binary algorithm of particle swarm optimization and a novel local search strategy has been proposed to select a set of prominent features. To this aim, features are divided into two categories based on the extension rate and the relationship between the output and the local search strategy to increase the convergence speed. The first group features have more similarity to class and less similarity to other features, and the second is redundant and less relevant features. Accordingly, a local operator is added to the particle swarm optimization algorithm to reduce redundant features and keep relevant ones among each solution. The aim of this operator leads to enhance the convergence speed of the proposed algorithm compared to other algorithms presented in this field. Evaluation of the proposed solution and the proposed statistical test shows that the proposed approach improves different classification criteria of multi-label classification and outperforms other methods in most cases. Also in cases where achieving higher accuracy is more important than time, it is more appropriate to use this method.

طبقه بندی تصاویر به گروههای معنایی براساس ویژگیهای دیداری سطح پایین، یکی از چالشهای مهم در بازیابی و طبقه بندی تصویر است. در این مقاله، اثر ترکیب ویژگیهای رنگ، شکل و بافت و نیز وزن دار کردن مولفه های بردارهای ویژگی در طبقه بندی تصویر بررسی شده است. همچنین اثر تعداد تصاویر پایگاه داده بر نرخ طبقه بندی مطالعه شده است. برای این منظور از یک پایگاه تصویر شامل 10 گروه معنایی، هر گروه شامل 100تصویر، استفاده شده است. برای طبقه بندی از روشk  همسایه نزدیکتر و برای تخمین نرخ آن از روش "یکی را کنار بگذار" استفاده شده است. تعیین وزن مناسب برای هر یک از مولفه های یک نوع ویژگی و نیز تعیین وزن های بهینه در ترکیب انواع متفاوت ویژگیها با الگوریتم وراثتی انجام شده است.

هدف: هدف پژوهش، تعیین میزان جامعیت و مانعیت دو موتورکاوش بینگ و گوگل در بازیابی محتوامحور تصاویر است. روش شناسی: روش پژوهش شبه آزمایشی است، جامعه پژوهش، تصاویر پایگاه های دو موتور کاوش بینگ و گوگل، و نمونه شامل جستجوی 15 تصویر منتخب در هر موتور کاوش است. همه منابع بازیابی شده با جستجوی محتوا محور گردآوری شده و جامعیت و مانعیت نتایج هر موتور کاوش با فرمول ربط محاسبه و میانگین درصد ها به دست آمده است. فرضیه های پژوهش با آزمون یومن ویتنی بررسی شده اند. یافته ها: یافته ها نشان می دهد جامعیت گوگل با % 73/88 دارای رتبه ی بالاتری در میزان بازیابی نسبت به موتور کاوش بینگ با جامعیت % 86/20 است. اما موتور کاوش بینگ با % 86/96 مانعیت، رتبه ی بالاتری در میزان دقت نسبت به موتور کاوش گوگل با %80/94 داشته است. بین میزان جامعیت دو موتور کاوش، تفاوت معناداری با اطمینان 95% وجود دارد اما بین میزان مانعیت آنها تفاوت معناداری موجود نیست.

In this paper, an alternative approach in operational modal analysis is presented, utilizing Image processing technique and transmissibility functions. Imaging sensors do not impose additional mass on the structure due to their non-contact nature, while transmissibility functions, independent of excitation type, can directly extract mode shapes. The innovation of this research lies in combining these two techniques to record dynamic responses and identify modal properties. To capture the temporal response history from video signals, the block-matching method with sub-pixel accuracy was employed. Validation was conducted by recording the response of the tip of a cantilevered steel beam subjected to impact excitation, using a high-speed camera and a laser vibrometer, simultaneously. The RMSE plots in the time domain and the PSD in the frequency domain indicate high accuracy of this method. Using this approach, the displacement time histories of various points on the structure were extracted from the video signals, and the modal properties, including natural frequencies, damping ratios, and mode shapes, were identified using the transmissibility matrix method. The results obtained from the proposed method were compared with the stochastic subspace identification (SSI) method and analytical solutions. The findings reveal the accuracy of the modal identification approach introduced in this article. The highest relative error in estimating the natural frequencies of the first and second modes, compared to the values from the laser method, are 0.19% and 0.13%, respectively, and in comparison to the analytical values, they are 0.34% and 1.5%, respectively.