13109

13109

طبقهبندي دادههاي نامتوازن به منظور تشخيص رفتار غيرمتعارف در ويدئو براساس مسير حركت اشيا

كارشناسي ارشد

كامپيوتر گرايش هوش مصنوعي

دي 1392

دي 1392

دكتر محمود فتحي – دكتر عادل رحماني

چكيده امروزه مسئله دستهبندي جايگاه و اهميت خاصي يافته است. و اين بدليل كاربرد آنها در بسياري از زمينهها است. در همين راستا الگوريتمهاي دستهبندي مختلفي ارائه شده است. براساس اين الگوريتمها، نمونههاي داده با توجه به ساختار آنها، به چندين دسته تقسيم ميشوند. گاهي اوقات تعداد نمونههاي عضو اين دسته- ها با هم برابر نيستند كه در اين حالت مجموعه داده را نامتوازن گويند. الگوريتمهاي دستهبندي ارائه شده براي دادههاي متوازن، براي اين دادهها نيز ميتوانند بكار روند، اما كارايي اين الگوريتمها تا زماني مناسب است كه نمونههاي عضوكلاسها، همپوشاني نداشته و نيز سايز آنها كوچك نباشد. در غير اينصورت دسته - بندي آنها به يك چالش تبديل ميشود. به همين سبب روشهاي مختلفي براي دستهبندي آنها بوجود آمده است. اين روشها به روشهاي در سطح داده، در سطح الگوريتم، حساس به هزينه و مبتني بر مجمع، تقسيم- بندي ميشوند. در اينجا ما نيز دو روش كه يكي در دسته روشهاي كم نمونه برداري، و ديگري در دسته روشهاي مبتني بر مجمع قرار ميگيرد، را ارائه ميدهيم. مشكل اصلي روشهاي كمنمونهبرداري دور انداختن نمونههاي با ارزش است. با توجه به اين مورد، در روش اول هدف اين بوده است كه نمونههاي كه داراي اهميت هستند دور ريخته نشوند. انتخاب تعداد نمونههاي اكثريت بعنوان يك چالش در روشهاي در سطح داده مطرح است. روش دوم در جهتي ارائه شده است كه چالش فوق را دربرنگيرد. تشخيص غيرمتعارف در بسياري از حوزهها نظير سيستمهاي نظارتي هوشمند اهميت دارد. در اين سيستمها هدف، تشخيص رفتار مشكوك در فريم هاي ويدئويي است. يكي از تكنيكهاي تشخيص رفتار مشكوك در سيستمهاي نظارتي هوشمند، استفاده از مسير حركت اشيا است. روشهاي ارائه شده براي اين مورد، به دو دسته روشهاي نظارتي و غيرنظارتي تقسيم ميشوند. از ديد روشهاي نظارتي، تشخيص غيرمتعارف ذاتا يك مسئله از نوع داده نامتوازن است. لذا با استفاده از روشهاي دستهبندي داده نامتوازن انتظار داريم تا كارايي تشخيص افزايش يابد. واژ ههاي كليدي: داده نامتوازن، دستهبند، رفتار غيرمتعارف، الگوريتم مجمع، نمونهبرداري