%0 Journal Article %T احتمالات آگاه به محتوا برای قطعه بندی معنایی تصویر %J مجله علمی رایانش نرم و فناوری اطلاعات %I دانشگاه صنعتی نوشیروانی بابل %Z 2383-1006 %A نصیری, مجید %A رشیدی کنعان, حمیدرضا %A امیری, سید حمید %D 2020 %\ 12/21/2020 %V 9 %N 4 %P 32-42 %! احتمالات آگاه به محتوا برای قطعه بندی معنایی تصویر %K قطعه‌بندی معنایی تصویر %K شبکه‌های عصبی عمیق %K شبکه‌های عصبی کانولوشنی %K واحد احتمالات آگاه به محتوا %R %X قطعه‌بندی معنایی تصویر مبتنی بر شبکه‌های عصبی عمیق، از رویکردهای مهم محققان بینایی ماشین می باشد. در روش های مبتنی بر شبکه‌های عصبی عمیق، بطور کلی از یک شبکه-پایه که برای کاربرد شناسایی تصویر، آموزش دیده است، بمنظور استخراج ویژگی از تصویر استفاده می‌شود. از آنجا که ابعاد ویژگی‌های خروجی از این شبکه‌های-پایه، کوچکتر از تصویر ورودی‌ می‌باشد، لذا با اضافه کردن چندین لایه پیچشی به انتهای این شبکه‌های-پایه، ابعاد ویژگی‌های خروجی از این شبکه‌ها را به اندازه ابعاد تصویر وروی می-رسانند. استفاده از ویژگی‌های‌ محلی خروجی از شبکه‌های-پایه، بدون در نظر گرفتن ارتباط کلی بین این ویژگی‌های محلی، منجر به قطعه‌بندی ضعیف و ناهموار می‌شود. بر این اساس، در این تحقیق واحدی با نام "واحد احتمالات آگاه به محتوا" پیشنهاد می‌شود. این واحد با کمک ویژگی‌های محلی خروجی از شبکه‌های-پایه، بردار احتمال حضور کلاس‌های مختلف را در تصویر تولید می‌کند. واحد پیشنهادی را می‌توان در معماری‌های مختلف قطعه‌بندی معنایی تصویر قرار داد. در این تحقیق، با اضافه کردن واحد پیشنهادی CAP به معماریهای پایه FCN و DeepLab-v3-plus، به ترتیب معماریهای FCN-CAP و DeepLab-v3-plus-CAP پیشنهاد شده است. بمنظور آموزش معماریهای پیشنهادی از دادگان PASCAL VOC2012 استفاده شده است. نتایج آزمایش‌ها نشان می دهد که معماریهای پیشنهادی نسبت به معماریهای پایه مربوطه، به ترتیب 9/1درصد و 4/0درصد بهبود دقت (mIoU) دارد. %U https://jscit.nit.ac.ir/article_120447_19063c7bfc9319ba3757e05f06d8a623.pdf