قطعه بندی معنایی تصویر مبتنی بر شبکه های عصبی عمیق، از رویکردهای مهم محققان بینایی ماشین می باشد. در روش های مبتنی بر شبکه های عصبی عمیق، بطور کلی از یک شبکه پایه که برای کاربرد شناسایی تصویر، آموزش دیده است، بمنظور استخراج ویژگی از تصویر استفاده می شود. از آنجا که ابعاد ویژگی های خروجی از این شبکه های پایه کوچکتر از تصویر ورودی می باشد، لذا با اضافه کردن چندین لایه کانولوشنی به انتهای این شبکه های پایه، ابعاد ویژگی های خروجی از این شبکه ها را به اندازه ابعاد تصویر ورودی می رسانند. استفاده از ویژگی های محلی خروجی از شبکه های پایه، بدون در نظر گرفتن ارتباط کلی بین این ویژگی های محلی، منجر به قطعه بندی ضعیف و ناهموار می شود. بر این اساس، در این تحقیق واحدی با نام "واحد ویژگی های آگاه به محتوا" پیشنهاد می شود. این واحد با کمک ویژگی های محلی خروجی از شبکه های پایه، ویژگی های سطح-تصویر ایجاد می کند. واحد پیشنهادی را می توان در معماری های مختلف قطعه بندی معنایی تصویر قرار داد. در این تحقیق، با اضافه کردن واحد پیشنهادی CAF به معماری های پایه FCN و DeepLab-v3-plus، به ترتیب معماری های FCN-CAF و DeepLab-v3-plus-CAF پیشنهاد شده است. بمنظور آموزش معماری های پیشنهادی از دادگان PASCAL VOC2012 استفاده شده است. نتایج آزمایش ها نشان می دهد که معماری های پیشنهادی نسبت به معماری های پایه مربوطه، به ترتیب 7/2 و 81/1درصد بهبود دقت (mIoU) دارد.

قطعه بندی تصویر، یک مساله پایه در بینایی ماشین است. در روش مبتنی بر برش نرمالیزه گراف (Ncut)، حل این مساله به انتخاب بردار ویژه متناظر با دومین کوچک ترین مقدار ویژه یک ماتریس خاص می انجامد. در این مقاله، ضمن بیان هم ارزی رابطه ریاضی حاکم بر مساله بدون مربی Ncut با معیار Fisher-Rao در طبقه بندی با مربی، از نگاهی نو به مساله انتخاب بردار ویژه پرداخته شده است. در این مقاله با پیشنهاد معیاری کارا از دیدگاه Fisher-Rao، گزینش و مرتب سازی بردارهای ویژه در مساله هم ارز Ncut آن انجام شده است. نتایج آزمایش هم ارزی قطعه بندی تصویر بر پایه این دو معیار، ارائه قطعه بندی با اندازه Ncut کمتر و گوناگونی ارزش گذاری بردارهای ویژه را نشان می دهد.

در این مقاله الگوریتمی جدید از نمایه سازی تصویر مبتنی بر شکل, برای استفاده در سیستم های بازیابی تصویر معرفی می شود. این الگوریتم بدان جهت که برای ساخت نمایه از تصویر, نیاز به قطعه بندی تصویر ندارد قادر است با یک بار مرور تصویر و بدون محاسبات زمان گیر, کار نمایه سازی را انجام دهد. چون این الگوریتم برای ساخت نمایه در دو مرحله استفاده از اطلاعات موجود در لبه های تصویر و استفاده از اطلاعات موجود در لبه های مشابه همسایه، به گونه ای مضاعف از همبستگی میان پیکسل های تصویر سود می جوید, نسبت به روش های مشابه بسیار دقیق تر است. در این مقاله با مثال ها و معیارهای ارزیابی که برگرفته از پیاده سازی عملی الگوریتم روی سیستمی نمونه است, نشان داده می شود که نمایه حاصل از این الگوریتم, مستقل از رنگ، نورپردازی، انتقال، تغییر اندازه و چرخش های جزیی عمل می کند و معیارهای میانگین نرخ فراخوانی و میانگین میزان دقت برای این نمایه به ترتیب از 1.02 الی 6.9 برابر و 1.22 الی 10.59 برابر نسبت به روش های مشابه دارای برتری هایی است.

هدف این مقاله استفاده از ویژگی­های بیومتریک اثر انگشت برای دستیابی به کلیدهای رمزنگاری تصادفی می باشد. پیچیدگی الگوریتم تولید کلید، تعداد بیت بالا و تصادفی بودن سه فاکتور مهم برای کلیدهای رمزنگاری قوی می­باشند. در روش پیشنهادی، ابتدا ویژگی­های بیومتریک یعنی نقاط مینوشیا را با پردازش تصویر اثر انگشت استخراج می کنیم. سپس برای افزایش پیچیدگی روش تولید کلید و امنیت کلید تولیدی، هر تصویر را به 44 قطعه تقسیم می­کنیم تا با محاسبه فاصله اقلیدوسی و زاویه بین پیکسل­های مرکزی هر 44 قطعه با کل مینوشیا­­های تصویر بتوانیم داده­ های تصادفی را افزایش دهیم. جهت افزایش بیشتر حالت تصادفی کلید، یک الگوریتم سه-گامه پیشنهاد می کنیم که شامل قرار دادن اعداد مربوط به زاویه و فاصله بصورت زوج و فرد در کنار یکدیگر، دو شکل جابجایی و جایگشت بیت ها و اعمال توزیع یکنواخت روی داده­ ها برای تولید کلید نهایی می باشد. به علت بالا بودن تعداد بیت کلید، می توان با استخراج زیر کلیدهای 128، 256 و 512 بیتی از ماتریس کلید مذکور در رمزنگاری از آنها استفاده نمود. آنالیزهای آماری انجام شده همچون مجموعه تست­ های استاندارد NIST، تصادفی بودن و امنیت بالای کلید نهایی 63751 بیتی را اثبات می کند، و نشان دهنده عملکرد بهتر روش پیشنهادی در مقایسه با کارهای گذشته می­ باشد که تنها از فاصله یا زاویه بین نقاط مینوشیا برای تولید کلید رمزنگاری تصادفی با طول بیت یسیار کمتر استفاده کرده­ اند. الگوریتم پیشنهادی، با توجه به 15 تست­ NIST، نسبت به کارهای جدید گذشته تا 20% از نظر تصادفی بودن کلید تولید شده بهبود دارد.