کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4950342 1440638 2017 32 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Object detection among multimedia big data in the compressive measurement domain under mobile distributed architecture
ترجمه فارسی عنوان
تشخیص شیء در بین داده های بزرگ چند رسانه ای در دامنه اندازه گیری فشرده تحت معماری توزیع تلفن همراه
کلمات کلیدی
روش اکتشاف، داده های چند رسانه ای بزرگ، سنجش فشرده، معماری توزیع شده محاسباتی،
ترجمه چکیده
داده های چند رسانه ای بسیار دشوار است که به دلیل مقدار زیادی از آنها و ویژگی های ناخوشایند اطلاعات اساسی آنها را اداره کند. برای مطالعه چگونگی کشف اطلاعات ارزشمند در بین داده های بزرگ چند رسانه ای با پیچیدگی کم، این مقاله روش تشخیص شیء داده های بزرگ را پیشنهاد می دهد که در محدوده اندازه گیری فشرده تحت یک معماری محاسباتی توزیع تلفن همراه است. این شامل نمایندگی های نادر و پردازش تشخیص شی است. با توجه به ظرفیت محاسباتی نامتقارن بین یک ابر مرکز تلفن همراه و سایت های لبه های تلفن همراه، ما در حالی که انجام یادگیری فرهنگ لغت با استفاده از اندازه گیری های فشرده در سایت های لبه های تلفن همراه، بار را بارگذاری می کنیم. به طور خاص، بعد از اندازه گیری در سایت های لبه، ما یادگیری فرهنگی را برای به دست آوردن نمایندگی نادر در حوزه پیکسل، سپس تصاویر قابل توجه و بردارهای ویژگی های آنها را در ابر مرکز ذخیره می شود. علاوه بر این، ما نیز فرهنگ لغت آموزش دیده در دامنه اندازه گیری با استفاده از اندازه گیری تجزیه و تحلیل. به منظور آشکار ساختن دو نوع واژهنامه ها، ما یک فرایند فرموله سازی را در هر یک از آنها انجام می دهیم و می بینیم که رابطه به رابطه منحصر به فرد بین سیگنال اولیه و ضریب ضعیف در حوزه اندازه گیری بستگی دارد. در عین حال، ضرایب برای یک دوره زمانی معینی در سایت های لبه های تلفن همراه برای رسیدن به زمان واقعی تشخیص ابعاد، با استفاده از زمان تاخیر کم پایان محاسبات لبه، حفظ می کنیم. از آنجاییکه ضرایب ضعیف و سیگنال اصلی یک رابطه مکمل یک به یک را دارند، می توانیم فقط برای ضرایب همسان بلوک تصویر برای تشخیص شیء جستجو کنیم. نتایج تجربی نشان می دهد که ماتریس اندازه گیری هادامارد می تواند بهتر از سیگنال اصلی نسبت به ماتریس گاوسیم حفظ شود و روش پیشنهادی می تواند عملکرد تشخیص مطلوب را به دست آورد. در همین حال، هزینه محاسبه و هزینه ذخیره سازی فرایند تشخیص پیشنهاد شده می تواند به طور قابل توجهی کاهش یافته در مقایسه با روش های سنتی، که مناسب برای داده های بزرگ چند رسانه ای است. این همچنین می تواند در شهرهای هوشمند برای جستجوی کودکان از دست رفته و سایر رویدادهای خاص استفاده شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نظریه محاسباتی و ریاضیات
پیش نمایش مقاله
تشخیص شیء در بین داده های بزرگ چند رسانه ای در دامنه اندازه گیری فشرده تحت معماری توزیع تلفن همراه
چکیده انگلیسی
Multimedia big data is difficult to handle because of its enormous amount and the elusive property of underlying information. To study how to explore valuable information among multimedia big data with low complexity, this paper proposes an object detection method of big data, which is in compressive measurement domain under a mobile distributed computing architecture. It includes the sparse representation and object detection processes. Considering the unbalanced computation capacity between a mobile center cloud and mobile edge sites, we shift large storage burden into the cloud, while performing the dictionary learning by using compressive measurements in the mobile edge sites. Specifically, after getting the measurements at the edge sites, we perform dictionary learning to obtain the sparse representation in pixel domain, then select significant images and their feature vectors to be stored in the center cloud. In addition, we also analyze the trained dictionary in the measurement domain employing measurements. In order to reveal the two kinds of dictionaries' relationship, we conduct a formulation process into each of them and find that the relationship depends on the uniqueness relation between the original signal and the sparse coefficient in the measurement domain. At the same time, we keep coefficients for a certain time period at the mobile edge sites in order to realize real time object detection, taking the advantage of low latency of the mobile edge computing ends. Since the sparse coefficients and the original signal have a one-to-one correspondence relationship, we can just search for the matched coefficients of the image block for detecting object. Experimental results show that Hadamard measurement matrix can better preserve the characteristics of the original signal than Gaussian matrix and that the proposed method can achieve a favorable detection performance. Meanwhile, the computation cost and storage cost of the proposed detection process can be significantly reduced compared with traditional methods, which is suitable for the multimedia big data. This can also be used in smart cities for looking for lost children and other specific events.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Future Generation Computer Systems - Volume 76, November 2017, Pages 519-527
نویسندگان
, , , , ,