مروری بر روش های یادگیری عمیق برای تشخیص خشونت

سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 68

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ABMIR-1-2_001

تاریخ نمایه سازی: 6 دی 1402

چکیده مقاله:

با رشد بسیار سریع سیستم های نظارت ویدئویی برای نظارت بر رفتارهای انسانی، تقاضا برای چنین سیستم هایی که قادر به تشخیص رخدادهای خشونت آمیز به صورت خودکار باشند در حال افزایش می باشد. تشخیص خشونت یکی از حوزه های تحقیقاتی فعال در یادگیری ماشین و پردازش تصویر برای جذب محققان جدید است. در واقع، روش های تشخیص خشونت به دو دسته عمده تقسیم می شوند که عبارتند از: روش های یادگیری ماشینی سنتی و روش های یادگیری عمیق. در این مقاله، روش های یادگیری عمیق ارائه می شوند و گوناگونی روش ها و ساختارهای شبکه های عصبی عمیق در این خصوص بررسی می شوند. درابتدا روشهای سنتی و عمیق با یکدیگر مقایسه می شوند و برتری روشهای عمیق بر روشهای سنتی از جنبه های مختلف مورد بررسی قرار می گیرد. سپس ساختارهای مختلف شبکه های عمیق در خصوص تشخیص خشونت ارائه می گردد. علاوه بر این، مجموعه داده های موجود برای تحلیل خشونت در ویدئو ارائه می شوند. در نهایت، بحث در مورد تحقیقات انجام شده بیان می شود که می تواند برای گسترش کارهای آینده مفید باشند

کلیدواژه ها:

نویسندگان

جواد محمودی

بخش برق، دانشگاه شهید باهنر کرمان، کرمان، ایران

حسین نظام آبادی پور

بخش برق، دانشگاه شهید باهنر کرمان، کرمان، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • O. Deniz, I. Serrano, G. Bueno, and T.-K. Kim, “Fast ...
  • T. Hassner, Y. Itcher, and O. Kliper-Gross, “Violent flows: Real-time ...
  • Y. Gao, H. Liu, X. Sun, C. Wang, and Y. ...
  • J. Mahmoodi and A. Salajeghe, “A classification method based on ...
  • A. Ben Mabrouk and E. Zagrouba, “Spatio-temporal feature using optical ...
  • E. Bermejo Nievas, O. Deniz Suarez, G. Bueno García, and ...
  • H. Wang, A. Kläser, C. Schmid, and C. L. Liu, ...
  • J. Mahmoodi, H. Nezamabadi-pour, and D. Abbasi-Moghadam, “Violence detection in ...
  • S. M. Mohtavipour, M. Saeidi, and A. Arabsorkhi, “A multi-stream ...
  • D. Tran, H. Wang, M. Feiszli, and L. Torresani, “Video ...
  • M. S. Kang, R. H. Park, and H. M. Park, ...
  • G. M. Basavaraj and A. Kusagur, “Vision based surveillance system ...
  • P. A. Dhulekar, S. T. Gandhe, N. Sawale, V. Shinde, ...
  • H. Wang and C. Schmid, “Action Recognition with Improved Trajectories,” ...
  • A. Karpathy, G. Toderici, S. Shetty, T. Leung, R. Sukthankar, ...
  • K. Simonyan and A. Zisserman, “Two-Stream Convolutional Networks for Action ...
  • J. Donahue et al., “Long-Term Recurrent Convolutional Networks for Visual ...
  • D. Tran, L. Bourdev, R. Fergus, L. Torresani, and M. ...
  • C. Feichtenhofer, A. Pinz, and A. Zisserman, “Convolutional Two-Stream Network ...
  • Y. Zhu, Z. Lan, S. Newsam, and A. Hauptmann, “Hidden ...
  • J. Carreira and A. Zisserman, “Quo Vadis, action recognition? A ...
  • C. Ding, S. Fan, M. Zhu, W. Feng, and B. ...
  • ۵۵۱–۵۵۸, ۲۰۱۴, doi: ۱۰.۱۰۰۷/۹۷۸-۳-۳۱۹-۱۴۳۶۴-۴_۵۳ ...
  • W. Song, D. Zhang, X. Zhao, J. Yu, R. Zheng, ...
  • F. U. M. Ullah, A. Ullah, K. Muhammad, I. U. ...
  • T. Z. Ehsan, M. Nahvi, and S. M. Mohtavipour, “DABA-Net: ...
  • A. S. Keçeli and A. Kaya, “Violent activity detection with ...
  • A. Krizhevsky, I. Sutskever, and G. E. Hinton, “ImageNet classification ...
  • Z. Meng, J. Yuan, and Z. Li, “Trajectory-Pooled Deep Convolutional ...
  • L. Wang et al., “Temporal segment networks: Towards good practices ...
  • A. Traore, M. A. Akhloufi, A. Traoré, M. A. Akhloufi, ...
  • M. Tan and Q. V. Le, “EfficientNet: Rethinking model scaling ...
  • A.-M. R. Abdali and R. F. Al-Tuma, “Robust Real-Time Violence ...
  • K. Simonyan and A. Zisserman, “Very deep convolutional networks for ...
  • E. Ditsanthia, L. Pipanmaekaporn, and S. Kamonsantiroj, “Video Representation Learning ...
  • M. Asad, J. Yang, J. He, P. Shamsolmoali, and X. ...
  • S. A. Sumon, R. Goni, N. Bin Hashem, T. Shahria, ...
  • A. J. Naik and M. T. Gopalakrishna, “Deep-violence: individual person ...
  • M. Blank, L. Gorelick, E. Shechtman, M. Irani, and R. ...
  • C. Schuldt, I. Laptev, and B. Caputo, “Recognizing human actions: ...
  • S. Xie, C. Sun, J. Huang, Z. Tu, and K. ...
  • K. Simonyan and A. Zisserman, “Two-stream convolutional networks for action ...
  • X. Xu, X. Wu, G. Wang, and H. Wang, “Violent ...
  • Z. Dong, J. Qin, and Y. Wang, “Multi-stream Deep Networks ...
  • H. Li, J. Wang, J. Han, J. Zhang, Y. Yang, ...
  • H. Weytjens and J. De Weerdt, “Process Outcome Prediction: CNN ...
  • T. Senst, V. Eiselein, A. Kuhn, and T. Sikora, “Crowd ...
  • K. Deepak, L. K. P. Vignesh, and S. Chandrakala, “Autocorrelation ...
  • L. Ye, T. Liu, T. Han, H. Ferdinando, T. Seppänen, ...
  • Y. Gao, H. Liu, X. Sun, C. Wang, and Y. ...
  • S. Accattoli, P. Sernani, N. Falcionelli, D. N. Mekuria, and ...
  • S. R. Dinesh Jackson et al., “Real time violence detection ...
  • C. W. Wu, “ProdSumNet: reducing model parameters in deep neural ...
  • نمایش کامل مراجع