دانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-100610420220121Diffusion fractional tap-length algorithm with gradient-based cooperation to enhance the performance of adaptive networks with noisy linksالگوریتم طول متغیر کسری نفوذی با قابلیت پیشبرد مشارکت مبتنی بر گرادیان برای افزایش کارایی شبکه های تطبیقی با لینک های نویزی114139212FAقنبر آذرنیادانشکده فنی و مهندسی خوی - دانشگاه صنعتی ارومیه - ارومیه – ایرانعباسعلی شریفیدانشکده فنی و مهندسی، گروه مهندسی برق - دانشگاه بناب، ایرانJournal Article20210228In this paper, we consider the adaptive estimation in wireless sensor networks (WSNs) with diffusion strategy, where the communication links between nodes are noisy, and the parameter vector of interest has unknown or variable tap-length. The diffusion fractional tap-length (FT) algorithm seeks a tap-length estimator in real-time through local interactions to best balance steady-state error and the convergence rate. However, its performance is severely degraded in the presence of noisy links. This incorrect estimation of the length due to the noise of the links is followed by an inaccurate estimate of the coefficients. This fact shows the requirement of a noise-robust method. On this basis, we propose gradient-based cooperation in which the cooperation rate is adjusted based on the noise level using the concept of gradient. The concept of gradient-based cooperation is a way to make use of spatial correlation, and at the same time, to reduce the effects of noisy links. Simulation results show the superiority of the proposed method in the diffusion adaptation over networks with noisy links.در این مقاله، مسئله تخمین تطبیقی در شبکههای حسگری بیسیم با ساختار مشارکت نفوذی، با در نظر گرفتن دو مورد واقع بینانه، یعنی نویزی بودن لینک تبادل بین گرهها و مجهول یا متغیر بودن طول پارامتر مورد تخمین مطالعه میشود. خواهیم دید که الگوریتم طول متغیر کسری که با تخمین بیدرنگ طول فیلتر بهینه بین خطای حالت دائم و نرخ همگرایی تعادل برقرار میسازد، در حضور لینکهای نویزی چه اندازه ناموفق عمل میکند. بدیهی است که این تخمین اشتباه طول ناشی از نویزی بودن لینکها با تخمین نادرست ضرایب همراه است، واقعیتی که نیاز به ارائه شیوهای مقاوم در برابر نویز را غیر قابل اجتناب میکند. لذا، در این مقاله، الگوریتمی با مشارکت مبتنی بر گرادیان پیشنهاد داده میشود که در آن میزان مشارکت بنا به شدت نویز بر اساس مفهوم گرادیان تنظیم میشود. مفهوم مشارکت مبتنی بر گرادیان شیوهای است که هم امکان بهره گرفتن از همبستگی فضایی را فراهم کرده و هم اثرات لینکهای نویزی را کاهش میدهد. نوآوری مقاله ارائه شیوهای برای بهبود عملکرد شبکههای تطبیقی با طول فیلتر متغیر در حضور لینکهای نویزی است. چرا که تطبیق صحیح طول در شرایط لینکهای نویزی شرط اساسی برای عملکرد مناسب الگوریتم تطبیقی توزیع شده است. برای ارزیابی الگوریتم پیشنهادی علاوه بر منحنی آموزشی طول کسری، از معیارهای میانگین مربع انحراف (MSD)، میانگین مربع خطا (MSE) و میانگین مربع خطای اضافی (EMSE) استفاده می شود. الگوریتم پیشنهادی بر اساس این پارامترها عملکرد بهتری در مقایسه با الگوریتم FT نفوذی در شرایط لینکهای نویزی دارد. به نحوی که در تخمین طول فیلتر موفقیت 100% حاصل شده و میزان بهبود در MSD، MSE و EMSE همواره بسیار بهتر از الگوریتم FT نفوذی در شرایط لینکهای نویزی است. به نحوی که MSD و MSE به ترتیب از مقادیر 8.9dB و -7.8dBدر الگوریتم FT نفوذی در شرایط لینکهای نویزی میتواند تا -25.3dB و -26.5dBدر الگوریتم پیشنهادی بهبود یابد.https://jscit.nit.ac.ir/article_139212_8b73e8b4e0adfaaa46e02a2df19a5662.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-100610420220121Trust based Fuzzy Cluster Head Selection in Wireless Sensor Networksانتخاب سرخوشه فازی مبتنی بر اعتماد در شبکههای حسگر بیسیم1528139211FAجواد حمیدزادهدانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه سجاد، مشهد، ایران.0000-0001-6493-0539منا مرادیدانشکده مهندسی برق و کامپیوتر، دانشگاه سمنان، سمنان، ایران.Journal Article20210112Wireless sensor networks consist of a large number of sensor nodes scattered over a limited geographical area. The main challenge of these networks is energy consumption. Clustering is a well-known way to save energy and extend network's lifetime. Many studies iteratively change the cluster formation to increase the network's lifetime; however, this issue imposes high energy consumption on clusters. Also, some clustering methods select individual cluster heads for near clusters, which leads to more energy consumption. Another major issue is selecting untrusted and unreliable nodes as headers because it leads to unreliable interactions between nodes and reduces the security of the network. The proposed method aims to provide an efficient clustering method that, in addition to having the benefits of energy consumption management, can provide a secure path for interaction and communication between nodes by identifying malicious nodes and not selecting them as headers. For this purpose, each node's chance is calculated using the fuzzy approach, and nodes that have the highest chances are considered cluster heads. The efficiency of the proposed method is compared with state-of-the-art methods. Also, the process of cluster formation is done by fuzzy logic and by defining the objective function consisting of residual energy, distance to the base station, and the average intra-cluster distance. The statistical analysis indicates that the proposed method on average provides better results than other competitors and the results demonstrate how this method at least improves life time and residual energy by 59.83% and 14.75%, respectively.شبکههای حسگر بیسیم متشکل از تعداد زیادی گره حسگر میباشند که در یک منطقه محدود جغرافیایی پراکنده شدهاند. چالش اصلی این شبکهها محدودیت انرژی است. خوشهبندی، یک راهحل شناختهشده برای صرفهجویی در مصرف انرژی و افزایش طول عمر شبکه است. در اکثر روشهای ارائهشده در هر دوره، آرایش خوشهها و سرخوشهها جهت افزایش طول عمر شبکه تغییر مییابد که باعث تحمیل مصرف انرژی بالا به سرخوشهها میشود. همچنین برخی از روشهای خوشهبندی منجر به انتخاب سرخوشههای مجزا برای خوشههای نزدیک به یکدیگر میشوند که مصرف انرژی بیشتری در پی دارند. مسئله اساسی دیگر، انتخاب گرههای نامعتبر و نامطمئن به عنوان سرخوشه است زیرا منجر به عدم اطمینان در تعامل میان گرهها و کاهش امنیت کل شبکه میشود. هدف از روش پیشنهادی، ارائه یک روش خوشهبندی کارا است که علاوه بر برخورداری از مزایای مدیریت مصرف انرژی از طریق راهکارهایی نظیر عدم تغییر آرایش خوشهها و سرخوشهها در هر دور از اجرا و عدم انتخاب سرخوشههای مجزا برای خوشههای نزدیک، بتواند با تشخیص گرههای مخرب و عدم انتخاب آنها به عنوان سرخوشه، مسیری امن برای تعامل و ارتباط میان گرهها فراهم نماید. در روش پیشنهادی، شانس سرخوشهگی هر گره با استفاده از رویکرد فازی محاسبه شده و گرههای با شانس بیشتر، به عنوان گره مجاز و معتبر برای برقراری ارتباط شناخته میشوند. همچنین فرایند تشکیل خوشه به روش فازی و با تعریف تابع هدف متشکل از پارامترهای انرژی باقیمانده، فاصله تا ایستگاه پایه و میانگین فاصله گرههای درون یک خوشه تا سرخوشه انجام میشود. کارایی روش پیشنهادی با روشهای پایه و مرز دانش مقایسه شده است. نتایج آزمایشها نشان میدهند روش پیشنهادی به طور میانگین 59.83% افزایش طول عمر و 14.75% کاهش مصرف انرژی را در پی دارد.https://jscit.nit.ac.ir/article_139211_2bf284003e08a0d3df145e40992a5737.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-100610420220121Privacy Preserving Classification in Vertically Distributed Datasetsحفظ حریم خصوصی در رده بندی داده های توزیع شده عمودی2942139213FAمحمدرضا ابراهیمی دیشابیگروه کامپیوتر، واحد میانه، دانشگاه آزاد اسلامی، میانه، ایران0000-0003-1963-9560Journal Article20210405Nowadays, preserving the privacy of data is an important issue during data mining techniques. several algorithms have been proposed to preserve the privacy of data. The most important problems with these algorithms are their unprovable privacy, the low importance of considering the adversary’s background knowledge and lack of dimensionality reduction process over the original data. In this paper, differential privacy mechanism has been used to prove the privacy of vertical distributed data to be used for classification. In differential privacy, it is no matter what background knowledge has an adversary about the published data. Also, Haar wavelet transform has been used for dimension reduction of the original data.The privacy of data has been proved mathematically and the accuracy of data measured using the K-NN algorithm. Finally, it has been mathematically proved that the proposed algorithm adds noise with less standard deviation to the data than the compared algorithm, resulting in higher classification accuracy. The result shows that our algorithm has more secure compared to previous algorithms.امروزه، حفظ حریم خصوصی داده های منتشر شده، از اهمیت زیادی برخوردار است. الگوریتمهای مختلفی برای حفظ حریم خصوصی داده ها ابداع شده است. مهمترین مشکلات این الگوریتمها، غیر قابل اثبات بودن حریم خصوصی آنها، اهمیت کم در نظر گرفته شده برای دانش پیش زمینه فرد متخاصم و عدم کاهش ابعاد داده های اولیه است. در این مقاله، برای اثبات حریم خصوصی داده ها از مفهوم حریم خصوصی تفاضلی در انتشار داده های توریع شده عمودی و رده بندی آنها استفاده شده است. در حریم خصوصی تفاضلی، دانش پیش زمینه فرد متخاصم در مورد داده های منتشر شده، اهمیت ندارد. همچنین، با استفاده از تبدیل موجک هار، ابعاد داده ها کاهش داده شده است. در نهایت، حریم خصوصی داده های منتشر شده به صورت ریاضی اثبات شده است، همچنین، دقت داده ها، با استفاده از الگوریتم رده بند «K-نزدیکترین همسایه» نیز اندازه گیری شده است و به صورت ریاضی اثبات شده است که الگوریتم پیشنهادی، خدشه هایی با انحراف معیار کمتری را نسبت به الگوریتم مورد مقایسه، به داده ها اضافه میکند و در نتیجه دقت رده بندی بالاتری دارد. نتایج به دست آمده نشان دهنده امن تر بودن الگوریتم ارائه شده نسبت به الگوریتمهای مورد مقایسه است.https://jscit.nit.ac.ir/article_139213_1e5acaf0b7833a87afc692b9d618a525.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-100610420220121A Multi-objective Model for Task Scheduling Optimization in Fog-Cloud Computing Environmentsیک مدل چندهدفه برای بهینه سازی زمان بندی وظیفه ها در محیط های رایانشی مه-ابر4352138997FAسعدون عزیزیگروه کامپیوتر و فناوری اطلاعات، دانشکده مهندسی، دانشگاه کردستان، سنندج، ایران0000-0002-5788-0438Journal Article20210218With the advent of Internet of Things (IoT) applications, the number of processing requests has dramatically increased. In order to response to these requests, the Fog-Cloud environment has recently been introduced as a hybrid computing system. Although, the Fog-Cloud is a very promising environment for processing IoT requests, it faces many challenges. In this regard, task scheduling problem is one of the key challenges which has a significant impact on the efficiency and overall system cost. Motivated by this, in this paper, we first present a multi-objective optimization model including makespan, energy consumption and processing cost for scheduling tasks in an integrated Fog-Cloud environment. Then we propose a heuristic algorithm to efficiently solve the model. Simulation results demonstrate that our proposed algorithm significantly reduces all the aforementioned metrics and can achieve a good tradeoff between them. Specifically, the proposed algorithm improves the objective function around 98%, 43% and 32% in comparison with the random, genetic and the power of two choices algorithms, respectively.با ظهور برنامه های کاربردی مبتنی بر اینترنت اشیاء، تعداد درخواست های پردازشی به شدت افزایش یافته است. به منظور پاسخگویی به این درخواست ها، اخیراً محیط مه-ابر به عنوان یک سیستم رایانشی ترکیبی ارائه شده است. اگرچه مه-ابر یک محیط بسیار امیدبخش برای پردازش درخواست های اینترنت اشیاء است، اما با چالش های متعددی مواجه است. یکی از چالش های کلیدی، مسئله زمان بندی وظیفه ها است که تأثیر به سزایی روی کارایی و هزینه کلی سیستم دارد. با این انگیزش، در این مقاله ما ابتدا یک مدل بهینه سازی چندهدفه شامل زمان خاتمه آخرین وظیفه، مصرف انرژی و هزینه پردازش برای مسئله زمان بندی وظیفه ها در محیط یکپارچه مه-ابر ارائه می دهیم. سپس یک الگوریتم ابتکاری کارآمد برای حل آن پیشنهاد می کنیم. نتایج شبیه سازی نشان می دهد که الگوریتم پیشنهادی ما به طور چشمگیری هر سه معیار را کاهش می دهد و به خوبی می تواند بین آنها تعادل برقرار نماید. به طور مشخص، از نظر مقدار تابع هدف، الگوریتم پیشنهادی به طور متوسط 98% بهتر از روش تصادفی، 43% بهتر از الگوریتم ژنتیک و 32% بهتر از روش قدرت دو انتخاب عمل می کند.https://jscit.nit.ac.ir/article_138997_5bacdc9a140d81b3a85f7ed80387fdde.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-100610420220121Rule-Based Fuzzy Logic System for Determining the Strategy of Knowledge Management through Prioritizing KM Processesطراحی سیستم فازی نوع اول مبتنی بر قانون جهت تعیین استراتژی مدیریت دانش در سازمان از طریق اولویتبندی فرآیندها5367139250FAبهروز آقاشاهیبخش مهندسی و علوم کامپیوتر و فناوری اطلاعات، دانشگاه شیراز، شیراز، ایران.هومان تحیریبخش مهندسی و علوم کامپیوتر و فناوری اطلاعات، دانشگاه شیراز،غلامحسین دستغیبی فردگروه نرم افزار، دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه شیرازمعصومه محرربخش مدیریت گردشگری، دانشگاه شیراز، شیراز، ایرانJournal Article20201203Knowledge is recognized as one of the most important, vital and strategic organizational resources that it's creation, sharing and efficient use increases innovation, reduces costs, improves decision making and creates a sustainable competitive advantage for organizations. Knowledge management (KM) refers to all efforts to the access and use of knowledge resources as much as possible. Successful implementation of knowledge management depends on determining the appropriate KM implementation strategy. The aim of this paper is to design a rule-based fuzzy logic system for determining the appropriate strategy for implementing KM through prioritizing the knowledge management processes (KMP). In this research, two type-1 rule-based fuzzy systems are designed to model the relationships between dependency factors and knowledge management processes as well as to model the alignment framework of knowledge management processes and strategies. Comparison of the obtained results with the results of previous researches shows that the method proposed in this article, in addition to a more detailed evaluation of the dependency factors and more accurate prioritization of knowledge management processes, can also determine the appropriate strategy for implementing knowledge management in the organization.در دهههای اخیر، دانش به عنوان یکی از مهمترین، حیاتیترین و استراتژیکترین منابع سازمانی شناخته شده که ایجاد، اشتراک گذاری و به کار گیری موثر آن موجب افزایش نوآوری، کاهش هزینهها، بهبود در تصمیمگیریها و ایجاد مزیت رقابتی پایدار برای سازمانها میشود. مدیریت دانش به تمامی تلاشها جهت دستیابی و استفاده هرچه بیشتر از منابع دانش اطلاق میشود. پیادهسازی موفقیتآمیز مدیریت دانش، بستگی به انتخاب بهترین فرآیندها و تعیین استراتژی مناسب پیادهسازی دارد. هدف از این پژوهش، ارائه سیستم فازی برای تعیین استراتژی پیادهسازی مدیریت دانش در سازمان با توجه به فرآیندهای اولویتبندی شده موثر بر مدیریت دانش سازمان است. اساس راهکار پیشنهاد شده بر مبنای همراستایی فرآیندها و استراتژیهای مدیریت دانش جهت تعیین استراتژی مناسب برای پیادهسازی مدیریت دانش در سازمان میباشد. با توجه به اینکه مقادیر برخی فاکتورهای موثر بر تدوین استراتژی مدیریت دانش سازمان کیفی است ، در این پژوهش برای مدلسازی ارتباطات میان فاکتورهای وابستگی و فرآیندهای مدیریت دانش از یک سو و همچنین مدلسازی چارچوب همراستایی فرآیندها و استراتژیهای مدیریت دانش از سوی دیگر، دو سیستم فازی نوع اول مبتنی بر قانون ارائه شده است که سیستم تعیین استراتژی بر اساس خروجی های سیستم اول کار می کند. مقایسه نتایج بدست آمده در مقاله حاضر با نتایج پژوهشهای پیشین مشخص میکند که روش پیشنهاد شده در مقاله، ضمن بررسی وضعیت فاکتورهای وابستگی و تعیین اولویتبندی دقیقتری از فرآیندهای مدیریت دانش، استراتژی مناسب جهت پیادهسازی مدیریت دانش در سازمان را مشخص کند.https://jscit.nit.ac.ir/article_139250_ceb4ee342465a5e53abcf08a602bfce1.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-100610420220121Measuring Soccer Players’ Influence on Flow and Path Complexity of Team Passes Based on Metrics of Complex Network Analysisاندازهگیری تأثیر بازیکنان فوتبال بر جریان و پیچیدگی مسیر پاسهای تیم با معیارهای مبتنی بر تحلیل شبکههای پیچیده6887141356FAالیاس اسماعیلیگروه نرم افزار، دانشگده مهندسی کامپیوتر، دانشگاه تربیت دبیر شهید رجایی، تهران، ایرانسید حمید امیریگروه هوش مصنوعی، دانشکده مهندسی کامپیوتر، دانشگاه تربیت دبیر شهید رجایی، تهران، ایرانJournal Article20201129Soccer coaches and analyzers require deep and precise analysis of matches. In this paper, we focus on the analysis of passes in soccer matches using complex networks and social networks theories and propose novel metrics with deeper analysis than traditional metrics such as the numbers of passes and accuracy. To this end, based on accurate recorded data of passes in a match, two different networks are extracted where the first network is comprised of all passes of a team in a match to overlay analyze the team behavior for ball circulation. The second network is comprised of offensive passes to analyze offensive attacks of a team in a match. Based on the structure of these networks, we propose three quantitative metrics to measure three important parameters including availability of players, impact of one player on the flow of a team, and the complexity of the passing path between players. Using these three important parameters, teams can investigate their strengths and weaknesses in passing flow. To evaluate the proposed approach, we applied it to the actual data of a team in several consecutive matches. The results reveal that the proposed approach can accurately analyze the impact of players on the success of team during a match.تحلیل علمی و دقیق مسابقات فوتبال، یکی از مهمترین نیازمندیهای مربیان و آنالیزورها محسوب میشود. این مقاله، بر روی تحلیل پاس در مسابقات فوتبال متمرکز شده است و با به کارگیری تئوریهای شبکههای پیچیده و شبکههای اجتماعی، معیارهای سطح بالاتر و دقیقتری در مقایسه با معیارهای سنتی مانند تعداد و دقت پاس، پیشنهاد کرده است. برای این منظور، ابتدا بر اساس دادههای دقیقی که برای تمامی پاسهای یک مسابقه ثبت شدهاند، دو شبکه مختلف استخراج میشوند که شبکه اول شامل کل پاسهای تیم برای تحلیل رفتار کلی تیم و شبکه دوم شامل پاسهایی هجومی برای تحلیل جریان هجومی تیم است. سپس بر اساس ساختار این شبکهها، سه معیار کمی برای اندازهگیری سه پارامتر مهم در تحلیل پاس پیشنهاد میشود که عبارتند از تحلیل میزان دسترسپذیری بازیکنان، اندازهگیری تاثیر بازیکنان در جریان پاسهای تیم و تحلیل پیچیدگی مسیر پاس بین بازیکنان. این سه پارامتر مهم نقش کلیدی در پیدا کردن نقاط قوت و ضعف جریان پاس تیمها دارند. در بخش نتایج، روش پیشنهادی بر روی دادههای واقعی یک تیم در چند مسابقه متوالی اعمال شده است. بر اساس نتایج، رویکرد پیشنهادی قادر به تحلیل دقیق تاثیر پاس بازیکنان در موفقیت تیم در حین یک مسابقه است.https://jscit.nit.ac.ir/article_141356_fdd4d2decd6772a3f5320ce9228a170e.pdfدانشگاه صنعتی نوشیروانی بابلمجله علمی رایانش نرم و فناوری اطلاعات2383-100610420220121Improving Video Semantic Segmentation using Deep Neural Networks and Optical Flowبهبود تقطیع معنایی ویدئو با استفاده از شبکههای عصبی عمیق و جریان نوری8898144029FAمحمد مهدی نجفیدانشجوی کارشناسی ارشد، مجتمع مهندسی برق و کامپیوتر، دانشگاه صنعتی مالک اشتر.محمد فخردانشگروه علمی مهندسی کامپیوتر (هوش مصنوعی)، پژوهشکده کامپیوتر و هوش مصنوعی، مجتمع برق و کامپیوتر، دانشگاه صنعتی مالک اشتر، تهران، ایرانJournal Article20210303Nowadays, video semantic segmentation is used in many applications such as automatic driving, navigation systems, virtual reality systems, etc. In recent years, significant progress has been observed in semantic segmentation of images. Since the consecutive frames of a video must be processed with high speed, low latency, and in real time, using semantic image segmentation methods on individual video frames is not efficient. Therefore, semantic segmentation of video frames in real time and with appropriate accuracy is a challenging topic. In order to encounter the mentioned challenge, a video semantic segmentation framework has been introduced. In this method, the previous frames semantic segmentation has been used to increase speed and accuracy. For this manner we use the optical flow (change of continuous frames) and a GRU deep neural network called ConvGRU. One of the GRU input is estimation of current frames semantic segmentation (resulting from a pre-trained convolutional neural network), and the other one is warping of previous frames semantic segmentation along the optical flow. The proposed method has competitive results on accuracy and speed. This method achieves good performances on two challenging video semantic segmentation datasets, particularly 83.1% mIoU on Cityscapes and 79.8% mIoU on CamVid dataset. Meanwhile, in the proposed method, the semantic segmentation speed using a Tesla P4 GPU on the Cityscapes and Camvid datasets has reached 34 and 36.3 fps, respectively.امروزه از تقطیع معنایی ویدئو در کاربردهای بسیاری از قبیل خودروهای بدون سرنشین، سیستمهای ناوبری، سیستمهای واقعیت مجازی و ... استفاده میشود. در سالهای اخیر پیشرفت چشمگیری در تقطیع معنایی تصاویر مشاهده شده است. اما از آنجا که فریمهای پشت سر هم یک ویدئو باید با سرعت بالا و تاخیر کم و به صورت بلادرنگ پردازش شوند استفاده از تقطیع معنایی تصویر روی تک تک فریمهای ویدئو با مشکل مواجه میشود؛ بنابراین تقطیع معنایی فریمهای یک ویدئو به صورت بلادرنگ و با دقت مناسب موضوعی چالش برانگیز است. به منظور مقابله با چالش ذکر شده، در این مقاله یک چارچوب تقطیع معنایی ویدئو معرفی شده است که با در نظر گرفتن تغییرات فریمهای پشت سر هم (با استفاده از جریان نوری) و بهره گیری از شبکه عمیق بازگشتی GRU، از اطلاعات تقطیع معنایی فریمهای قبلی به منظور افزایش سرعت و دقت استفاده شده است. یک ورودی شبکه GRU تخمینی از تقطیع معنایی فریم فعلی (حاصل از یک شبکه عمیق کانولوشنال از پیش آموزش دیده)، و ورودی دیگر آن لغزش یافته تقطیع معنایی فریم قبلی در راستای جریان نوری دو فریم قبلی و فعلی میباشد. روش پیشنهادی دارای دقت و سرعت قابل رقابت با شناخته شدهترین و بهترین روشها میباشد. دقت تقطیع معنایی بر اساس معیار ارزیابی mIoU روی مجموعه دادههای Cityscapes و Camvid به ترتیب برابر با 83.1 و 79.8 میباشد. این در حالیست که در روش پیشنهادی سرعت تقطیع معنایی با استفاده از یک GPU تسلا مدل P4 روی مجموعه دادههای Cityscapes و Camvid به ترتیب به 34 و 36.3 فریم بر ثانیه رسیده است.https://jscit.nit.ac.ir/article_144029_66ce266b918f0f9b3a90b314b9c98148.pdf