موقعیت‌یابی از طریق بازیابی تصاویر مرئی زیر آب بر پایه شبکه عصبی عمیق vgg-16 و شبکه عصبی بازگشتی lstm

بازیابی تصاویر زیر آب به عنوان بخش مهمی از ناوبری مدرن ، موقعیت‌یابی مکانی و اکتشافات دریایی مورد توجه قرار گرفته است. سیستم‌های بازیابی تصویر مبتنی بر محتوا، اطلاعات بصری تصویر را به شکل بردار ویژگی استخراج می‌کنند و مبنای شباهت سنجی تصاویر مشابه قرار می‌دهند. در این پژوهش ترکیب دو شبکه عصبی به منظور استخراج ویژگی‌های تصویر مورد بررسی قرار گرفته است. مدل پیشنهادی ویژگی‌های تصویر را با استفاده از شبکه عصبی عمیق vgg-16 استخراج می‌کند. تقویت ویژگی‌های استخراج شده و کشف روابط بین ویژگی‌ها و دینامیک تصویر با استفاده از شبکه عصبی بازگشتی lstm صورت می‌گیرد. ترکیب دو دسته ویژگی‌های تصویر، امکان توصیف جزئیات دقیق‌تری را فراهم کرده است. مدل پیشنهادی برروی مجموعه داده‌های تصاویر مرئی زیر آب ارزیابی شده است. نتایج به دست آمده دقت مدل پیشنهادی در بازیابی تصاویر مشابه را بر اساس معیار شباهت ساختاری و معیار شباهت ویژگی به ترتیب برابر با %42.6 و 76% نشان می‌دهد.

positioning by retrieving visible submarine images based on vgg-16 and lstm network

underwater image retrieval has been considered an essential part of modern navigation, spatial positioning, and marine exploration. image retrieval systems extract the visual content in feature vector information and similar image evaluations. in this work, two neural networks are combined for image feature extraction. the proposed system extracts image features using the vgg-16 neural network. reinforcement of the features from the previous step with the discovery of the relationships between the features and the dynamics of the image has been done using the lstm recursive network. combining the two categories of image features has made it possible to describe images more closely. the proposed method was evaluated on the underwater visible image dataset. the results show that the accuracy of the proposed method in retrieving similar images based on the structural similarity index (ssim) method and feature similarity index matrix (fsim) is 42.6% and 76%, respectively.