چکیده پایان نامه

چکیده پایان نامه يكي از مباحث مطرح در بينايي كامپيوتر، موضوع رديابي هدف در تصاوير ويدئويي(VOT) مي‌باشد. فرآيند اصلي در VOT تخمين موقعيت هدف و دنبال كردن آن در طي فريم­هاي ويدئو به كمك دريافت تصوير يك الگو از هدف مي‌باشد. رديابي هدف در ويدئو، گستره­ي كاربرديِ زيادي در مواردي همچون سيستم‌هاي نظارتي خودكار، هوشمند­سازي فناوري­هاي صنعتي، سامانه­هاي حمل و نقل هوشمند و اتومبيل­هاي خود­ران دارد. از جمله مهمترين چالش‌ها در فرآيند رديابي تغييرات در برخي ويژگي‌هاي هدف از جمله سايز، مقياس و شكل ظاهري آن، انسداد هدف و يا افزايش پيچيدگي تفكيك پذيري هدف از پس زمينه بر اثر شلوغي تصوير مي‌باشد. در راه حل هاي جديد پيشنهاد شده براي حل مسأله رديابي ويدئويي اغلب از معماري­هاي شبكه عصبي عميق مانند ResNet براي استخراج ويژگي‌هاي تصاوير ورودي و در ادامه از يك شبكه موقعيت‌يابي براي رديابي هدف به عنوان مسير اصلي استفاده مي‌شود. در سال‌هاي گذشته استفاده از شبكه پيشنهاددهنده­ي ناحيه(Region Proposal Network) و بخش‌بندي(Segmentation) از جمله رويكرد‌هاي رايج در وظيفه رديابي هدف بوده است كه بار پردازشي بالا و پيچيدگي ساختار از مهمترين معايب آن‌ها مي‌باشد. در روش‌هاي اخير، لايه پردازشي موازي با مسير پردازش در معماري اصلي تحت عنوان شاخه­ي مبتني بر زمان(Temporal) يا شاخه­ي برخط(Online) به موازات مسير اصلي شبكه با هدف توجه به تغييرات زماني تصوير هدف و به­روز­رساني ويژگي‌هاي هدف بسيار مورد استفاده قرار گرفته است كه مي‌تواند تغيير حالات هدف مدنظر در درون تصوير ورودي را طي فريم‌هاي ويدئو مدل كند. در روش پيشنهادي با به­كار­گيري ساختار مبدل(Transformer) براي افزايش تفكيك پذيري هدف در مسير اصلي شبكه رديابي، يك شاخه Temporal با ساختار جديد براي استفاده از ويژگي‌هاي شئ­آگاه(Object-Aware) هدف براي بهبود عملكرد رديابي و افزايش مقاومت سيستم در برابر تغييرات ظاهري استفاده شده­است. نتايج حاصل از آموزش شبكه بر روي مجموعه داده GOT-۱۰k نشان مي‌دهد كه روش ارائه­شده توانسته تا ۱/۶% در معيار متوسط هم­پوششي(Average Overlap) در مقايسه با روش‌هاي مشابه SOTA بهبود ايجاد كند.