| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
تشخیص خشونت ویدئو با استفاده از تحلیل خصوصیات آرام |
| عنوان انگلیسی مقاله: |
Violence Video Detection by Discriminative Slow Feature Analysis |
|
|
| مشخصات مقاله انگلیسی (PDF) | |
| سال انتشار مقاله | 2012 |
| تعداد صفحات مقاله انگلیسی | 8 صفحه با فرمت pdf |
| تعداد صفحات ترجمه تایپ شده | 9 صفحه با فرمت word |
| رشته های مرتبط با این مقاله | روانشناسی |
| گرایش های مرتبط با این مقاله | روانشناسی عمومی، روانشناسی بالینی كودک و نوجوان و روان شناسی بالینی |
| مجله مربوطه | الگو شناسی (Pattern Recognition) |
| دانشگاه تهیه کننده | دانشکده علوم کامپیوتر و فناوری، دانشگاه جیلین، چانگچون، چین |
| کلمات کلیدی این مقاله | تشخیص خشونت، تجزیه و تحلیل ویژگی های آرام تبعیضانه، مدار متراکم |
| رفرنس | دارد |
| شناسه شاپا یا ISSN | ISSN 1865-0929 |
| لینک مقاله در سایت مرجع | لینک این مقاله در سایت Springer |
| نشریه اسپرینگر | Springer |
- بخشی از ترجمه:
چکیده
امروزه اینترنت، اشتراک‌گذاری انواع اطلاعات را برای همگان آسان کرده است. با این حال، محتوای خشن در وب تأثیر زیان‌آوری روی کسانی که قدرت قضاوت درست را ندارند مخصوصاً نوجوانان می‌گذارد. این مقاله، روشی را برای تشخیص خشونت در ویدئو ارائه می‌کند، این روش تحلیل ویژگی آرام تبعیضانه (D-SFA) را معرفی می‌کند تا یادگیری توابع ویژگی آرام از انبوه صحنه‌ها در ویدئو انجام گیرد. پس از آن با توابع ویژگی آرام یادگیری شده، ویژگی‌های بدست آمده‌ی انباشته‌ی مربعی شکل (ASD) برای ارائه‌ی ویدئو استخراج می‌شوند. در نهایت، یک ماشین برداری پشتیبان خطی (SVM) برای طبقه‌بندی آموزش می‌بیند. ما همچنین یک دیتاست ویدئوی خشن (VV) با ٢٠٠ نمونه‌ی خشونت‌آمیز و ٢٠٠ نمونه‌ی بدون خشونت جمع‌آوری شده از اینترنت و فیلم‌ها ساخته‌ایم. نتایج تجربی روی دیتاست جدید، کارایی روش پیشنهادی را نشان می‌دهد.
مقدمه:
با رشد سریع وبسایت‌های شبکه اجتماعی مثل فیس‌بوک، توئیتر و یوتیوب، ویدئوهای زیادی هر روز آپلود می‌شود. همانطور که ما از اطلاعات مفید این سایت‌ها لذت می‌بریم، برخی ویدئوهای حاوی خشونت نیز توسط کاربران قابل دسترسی هستند. در افرادی که قدرت قضاوت صحیح ندارند مثل کودکان و نوجوانانی که در معرض این محتوا هستند ممکن است منجر به رفتارهای خشونت آمیز شود یا حتی آثار جرم در آن‌ها با تقلید از آنچه در این فیلم‌ها دیده‌اند آشکار شود. بنابراین واضح است که نیاز به محافظت از چنین گروه‌های حساس جامعه با استفاده از تشخیص دهنده‌های اتوماتیک، کارا و مؤثر امری ضروری است.
- بخشی از مقاله انگلیسی:
Abstract
Nowadays, Internet makes it easy for us to share all kinds of information. However, violent content in web has harmful influence on those who lack proper judgment, especially teenagers. This paper presents an approach for detecting violence in videos, where Discriminative Slow Feature Analysis (D-SFA) is introduced to learn slow feature functions from dense trajectories derived from videos. Afterwards, with the learnt slow feature functions, the Accumulated Squared Derivative (ASD) features are extracted to represent videos. Finally, a linear support vector machine (SVM) is trained for classification. We also construct a Violence Video (VV) dataset which includes 200 violence samples and 200 non-violence samples collected from Internet and movies. The experimental results on the newly established dataset demonstrate the effectiveness of the proposed method. Keywords: violence detection, discriminative slow feature analysis, dense trajectories.
1 Introduction
With the rapid growth of social network websites, such as Facebook, Twitter, and Youtube, etc., a large number of videos are being uploaded everyday. As we enjoy useful information conveniently from these websites, some videos including violence can also be accessed by users. For those who lack proper judgment, e.g., children, teenagers, exposure to violent content can lead to aggressive behavior or even crime resulting from imitating what they see in those harmful sources. It is therefore obvious that the need of protection of such sensitive social groups, using efficient, automatic, content-based violence detectors, is imperative.
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
تشخیص خشونت ویدئو با استفاده از تحلیل خصوصیات آرام |
| عنوان انگلیسی مقاله: |
Violence Video Detection by Discriminative Slow Feature Analysis |
|
|