رخدادکاوی در داده های ویدئویی با استفاده از روش های یادگیری نیمه نظارتی

امروزه حجم زیادی از داده های ویدئویی در دسترس افراد است؛ داده های ویدئویی هم اکنون بیش از نیمی از ترافیک اینترنت را به خود اختصاص داده اند. سالانه 9000ساعت محصولات سینمایی و 8 میلیون ساعت محصولات تلویزیونی تولید می شود، این در حالی است که پیش بینی می شود تا سال 2014 بیش از 90% ظرفیت شبکه جهانی اینترنت به انتقال داده های ویدئویی اختصاص یابد. برای دسترسی کارا به این حجم عظیم داده، نیاز شدیدی به ابزارهای موثر و کار آمد برای جستجو و بازیابی محتوایی ویدئو احساس می شود. ویدئو کاوی مبتنی بر رخداد و و یدئو کاوی مبتنی بر ساختار، دو دیدگاه عمومی موجود در ویدئو کاوی به حساب می آیند. در دیدگاه مبتنی بر رخداد، هدف آشکارسازی رخدادهای مهم در داده های ویدئویی است که درک معنایی را از محتویات ویدئو افزایش می دهد. در حال حاضر کاوش رخدادها در داده-های ویدئویی از حوزه های تحقیقاتی فعالی است که در سالهای اخیر پیشرفت های قابل توجهی را به خود اختصاص داده است. توانایی تشخیص اشیاء متحرک و ردیابی آنها در یک دنباله ی ویدئو، اولین گام در تحلیل ویدئوهای نظارتی است. چالش اصلی موجود در تشخیص اشیاء متحرک و ردیابی، یافتن مدل پس زمینه ای دقیق برای تشخیص درست اشیاء پیش زمینه جهت ردیابی دقیق آنهاست که در عین حال از سرعت مناسبی هم برخوردار باشد، چنانچه این عملیات با کارایی مناسبی انجام نشود، کل فرایند رخدادکاوی را تحت تأثیر قرار می دهد. در این پژوهش، یک روش ردیابی سریع و دقیق برای حل این چالش پیشنهاد شده است؛ روش پیشنهادی بر روی دادگان pets2001و caviar مورد بررسی آزمون قرار گرفت و به ترتیب به میزان دقت 92.44 و 90.07 برای معیار f1 دست یافت. هنگامی که آشکارسازی رخدادها، به عنوان یک مسئله یادگیری بیان می شود، برای استفاده از روش های یادگیری نظارت شده، باید تعداد کافی از مثال های آموزشی برچسب دار فراهم شود. فراهم کردن تعداد کافی از مثال های آموزشی برچسب دار عملی بازدارنده است. در مقابل، ویدئوهای بدون برچسب به کمیت زیادی قابل دسترسی است. بنابراین، رویکرد موثر و عملی دیگر در یادگیری استفاده از نمونه های برچسب دار به همراه نمونه های بدون برچسب در زمان یادگیری است، این ایده مبنای اصلی رویکرد یادگیری نیمه نظارتی را تشکیل می دهد که اغلب منتهی به نتایج دقیقتری می شود. در این پژوهش، روشی مبتنی بر الگوریتم های تکاملی و روشی مبتنی بر یادگیری تجمیعی برای انجام یادگیری نیمه نظارتی پیشنهاد شده است که بر اساس آزمون های انجام شده موجب بهبود کارایی یادگیری نیمه نظارتی در زمینه ی تشخیص حرکات غیر عادی شده است. روش پیشنهادی بر روی دادگان glass، iris، pets2001، caviar با چهار معیار متفاوت مورد آزمون قرار گرفت که در مجموع کارایی روش های پیشنهادی را نشان میدهند.