ارائه یک مدل مفهومی جهت شناسایی کیفیت خدمات الکترونیکی در فروشگاه های اینترنتی کشور A conceptual model for identification of eservices quality in Iranian estores 1 1 این پژوهش با تبیین شکاف موجود در خصوص مطالعات علمی در حوزه بومی سازی عوامل موثر بر کیفیت خدمات الکترونیکی در فروشگاه های اینترنتی کشور، به ارائه یک مدل مفهومی با استفاده از مدلسازی معادلات ساختاری می پردازد. این مطالعه از نوع کمی-پیمایشی است که در آن پرسشنامه ساختاریافته ای در بین خریداران سه فروشگاه اینترنتی توزیع می گردد. از آلفای کرونباخ جهت بررسی پایایی، تحلیل عامل اکتشافی جهت دسته بندی شاخص- های فرعی و نیز تحلیل عامل تاییدی برای بررسی روایی سازه و متغیرها و شاخص های منتج از آنها استفاده می شود. سپس، عوامل موثر بر کیفیت خدمات الکترونیکی در 37 شاخص فرعی و با روش دسته بندی تحلیل عاملی اکتشافی در 5 شاخص اصلی شامل: اعتماد، قابلیت اطمینان و برآورده سازی سفارش، مهندسی سایت، جذابیت و هیجان خرید و ارتباطات تعریف خواهد شد و میزان تاثیرگذاری هر کدام از شاخص های اصلی بر کیفیت خدمات الکترونیکی بررسی می گردد. همچنین براساس برازش الگوی مفهومی پژوهش، همخوانی الگوی مفهومی با داده های گردآوری شده، مورد تحلیل قرار می گیرد.در نهایت با استفاده از آزمون فریدمن به الویت بندی عوامل می پردازد. 2 The current study seeks to provide a conceptual model of structural equation modeling through an explanation of the gap in scientific studies on the localization of factors affecting electronic service quality of online stores in the country. This is a quantitative-survey study in which a structured questionnaire is distributed among the customers of three online stores. Cronbach's alpha will be applied to determine the reliability of the questionnaire Exploratory factor analysis to classify the sub-indices and confirmatory factor analysis are used to assess the validity of the variables and indicators derived from them. Then, factors affecting the quality of electronic services will be defined in 37 sub-indices and 5 main criteria using exploratory factor analysis as: Trust, Reliability and Fulfillment, Site Engineering, Enjoyment, and Communications. The effectiveness of each of the main indicators of the quality of e-services will be addressed as well. Also, based on a conceptual model fit, the consistency of the collected data with the conceptual model will be analyzed. Finally, using Friedman test, all the factors will be prioritized. 1 14 محمد فتحیان Mohammad Fathian دانشگاه علم و صنعت ایران fathian@iust.ac.ir مرضیه رحمانی Marzieh Rahmani دانشگاه علم و صنعت ایران سعید یعقوبی Said Yaghobi دانشگاه علم و صنعت ایران Electronic store Electronic Service Quality Structural Equation. کیفیت خدمات الکترونیکی فروشگاه اینترنتی معادلات ساختاری. ##1. L.Hasan, E.Abuelrub,ʻʻ Assessing the quality of web sitesʼʼ ,Applied Computing and Informatics 9,2011 ,pp. 11–29.## 2.A.Abbasi,ʻʻ E-Commerce Development in Iranʼʼ,Webology, 2007, Volume 4, Number 4.##3.E. Sadeh, L.Mousavi, M.Garkaz, and S. Sadeh,ʻʻ The Structural Model of E-service Quality, E-customer Satisfaction, Trust, Customer Perceived Value and E-loyaltyʼʼ, A ustralian Journal of B asic and A pplied Sciences, 2011, 5(3): 532-538.##4. V.A .Zeithaml, A.Parasuraman, and A .Malhotra,“A conceptual framework for understanding e-service quality: implications for future research and managerial practice”,working paper, Marketing Science Institute, Cambridge, MA,2001, report no. 00-115.##5. C.Liu, K.P.Arnett,ʻʻExploring the factors associated with web site success in the context of electronic commerceʼʼ, Information and Management,2000,38,pp.23–33.##6.D.M.Szymanski,R.T.Hise,"E-satisfaction:an initial examination,Journal of Retailing",2000,76 (3),pp.309–322.##7. Ch.N.Madu,A.A.Madu,ʻʻDimensions of e-qualityʼʼ, Reliability Management, 2002, Vol. 19 No. 3, pp. 246-258.##8. Zh.Yang, X. Fang,ʻʻ Online service quality dimensions and their relationships with satisfaction: A content analysis of customer reviews of securities brokerage servicesʼʼ, International Journal of Service Industry Management,2004, Vol. 15,pp. 302 – 326.##9. Zh.Yang, Sh.Cai, Zh.Zhou, N.Zhou,ʻʻDevelopment and validation of an instrument to measure user perceived service quality of information presenting Web portalsʼʼ,Information & Management 42,2005,pp. 575–589.##10.R.Ladhari,ʻʻDeveloping e-service quality scales: A literature reviewʼʼ,Journal of Retailing and Consumer Services 17 ,2010,pp.464–477.##11.M.Bernardo,F.Marimon,M.A.Almeida,ʻʻFunctional quality and hedonic quality: A study of the dimensions of e-service quality in online travel agenciesʼʼ,Information & Management 49 ,2012,pp.342–347.##12.D.Georgi, M.Mink,ʻʻeCCIq: The quality of electronic customer-to-customer interactionʼʼ,Journal of Retailing and Consumer Services 20 ,2013,pp.11-19.##13.J.Ganesh,K.E.Reynolds,M.Luckett, N.Pomirleanu,ʻʻ Online Shopper Motivations, and e-Store Attributes: An Examination of Online Patronage Behavior and Shopper Typologiesʼʼ, Journal of Retailing 86 ,1.2010,pp. 106–115.##14.B .Yoo, N.Donthu,ʻʻDeveloping a scale to measure the perceived quality of Internet shopping sites (SITEQUAL)ʼʼ,Quarterly Journal of Electronic Commerce,2001,2 (1), pp.31-47.##15.A. Parasuraman, A. Zeithaml, ʻʻE-S-QUAL:A Multiple-Item Scale for AssessingElectronic Service Qualityʼʼ, JOURNAL OF SERVICE RESEARCH , February. 2005.##16.E.Cristobal,C.Flavia´ n, and M.Guinal´ıu,ʻʻPerceived e-service quality(PeSQ)ʼʼ, Managing Service Quality, 2007,Vol. 17 No. 3,pp. 317-340.##17.D.M.Szymanski,R.T.Hise,"E-satisfaction:an initial examination,Journal of Retailing",2000,76 (3),pp.309–322.##18.M.Wolfinbarger, M. C. Gilly,ʻʻeTailQ: dimensionalizing, measuring and predicting etail qualityʼʼ,Journal of Retailing 79 ,2003,183-198.##19.Ch.Yen, H.Lu,ʻʻ Effects of e-service quality on loyalty intention: an empirical study in online auctionʼʼ,Managing Service Quality, 2008,Vol. 18 No. 2,pp. 127-146.##20. E.T.Loiacono, R.T .Watson, D.L.Hoodhue,ʻʻ WEBQUAL: measure of web site qualityʼʼ,Marketing Educators Conference: Marketing Theory and Applications,2002, 13,pp. 432–437.##21. S.J. Barnes , R.T.Vidgen, “An Integrative Approach to the Assessment of E-Commerce Quality” ,Journal of Electronic Commerce Research,2002, pp.114-27.##22. M.Jun,Zh.Yang,D.Kim,ʻʻCustomers’ perceptions of online retailing service quality and their satisfactionʼʼ,International Journal of Quality & Reliability Management, 2004, Vol. 21 No. 8.##23. Zh.Yang, M.Jun,ʻʻ CONSUMER PERCEPTION OF E-SERVICE QUALITY:FROM INTERNET PURCHASER AND NON-PURCHASER PERSPECTIVESʼʼ, Journal of Business Strategies,2002,Vol. 19, No. I.##24.A .Parasuraman, John R .Rossiter , “The C-OAR-SE Procedure for Scale Development in Marketing” , International Journal of Research in Marketing,2002,19 (4), 305-35.##25.H.H.Bauer,T.Falk,and M.Hammerschmidt,ʻʻeTransQual: A transaction process-based approach for capturing service quality in online shoppingʼʼ,Journal of Business Research 59, 2006,pp. 866 – 875.##26.G.Guang. Lee and Hsiu Fen Lin ,ʻʻCustomer perceptions of e-service quality in online shoppingʼʼ, International Journal of Retail & Distribution Management, 2005, Vol. 33 No. 2.##27.J.E.Collier, C.C. Bienstock,ʻʻMeasuring Service Quality in E-Retailingʻʻ,Bienstock Journal of Service Research ,2006, 8-260.##28.J.R. Rossiter,ʻʻ Toward a Valid Measure of E-Retailing Service Qualityʼʼ, Journal of Theoretical and Applied Electronic Commerce Research,2007.##29. S.Cebi,ʻʻ A quality evaluation model for the design quality of online shopping websitesʼʼ, Electronic Commerce Research and Applications xxx ,2013, xxx–xxx.##30. R.H.Hoyle,ʻʻStructuring Equation Modeling: Concepts, Issues and Applicationsʼʼ, Sage Publications, 1995, London.##31.م.مومنی،ع. فعال قیومی ، تحلیل های آماری با استفاده از SPSS ،تهران کتاب نو،1389.##32. ش. رندال ای، ل.ریچارد جی ، ترجمه و.قاسمی،مقدمه‌ای بر مدل‌سازی معادله ساختاری،تهران،1388.##33.خ. کلانتری، مدل سازی معادلات ساختاری در تحقیقات اجتماعی – اقتصادی ) با برنامه LISREL SIMPLIS (تهران، فرهنگ صفا، 1388.##34.و.قاسمی،مدل سازی معادلات ساختاری در پژوهش‌های اجتماعی با کاربرد Amos، انتشارات: جامعه شناسان،1389.## ##

اولویت بندی عوامل عدم موفقیت تجارت الکترونیک در زیرساخت فنی : کارخانجات کاشی و سرامیک شهرستان میبد The Ranking Lack of Success Factors of Electronic Commerce in Technical Infrastructure in Tile and Ceramic Factories in Meybod County 1 1 چکیده تجارت الکترونیک یکی از راهکارهای حفظ مزیت رقابتی در شرکت ها محسوب می‌شود. برای داشتن تجارت الکترونیک موفق در هر کسب وکار ملزومات و زیرساخت هایی از قبل لازم است. "زیرساخت فنی " اساسی ترین و مهمترین زیرساخت برای تجارت الکترونیک محسوب می شود. در این مقاله مدل جامعی ارائه شده است که عوامل موثر در موفقیت تجارت الکترونیک در زیرساخت فنی را ارائه می دهد و نشان می دهد که چگونه با استفاده از مدل تحلیل اهمیت- عملکرد ، می توان فاکتورهای زیرساخت فنی نامطلوب که باعث عدم موفقیت تجارت الکترونیک در هر کسب وکار می شود را شناسایی و آنها را برای بهبود اولویت بندی کرد. و فاکتورهای زیرساخت فنی که باعث عدم موفقیت تجارت الکترونیک در صنایع کاشی و سرامیکِ شهرستان میبد، به عنوان یکی از قطب های اصلی تولید کاشی جهان و مهمترین صادرکننده کاشی در ایران، شده است را با روش "تحلیل اهمیت‌‌-عملکرد" مورد ارزیابی قرار می‌دهد. نتایج تحقیق نشان می‌دهد که زیرساخت های داخلی این کارخانه ها و همچنین قابلیت های سخت‌‌‌افزار‌ها و نرم‌افزارهای موجود در این کارخانه ها، در وضعیت قابل قبولی قرار دارد و عواملی مثل عدم استفاده از پرداخت الکترونیکی، زیرساخت‌ نامطلوب عمومی (اینترنت)، نداشتن تعدادکافی نیروی انسانی و نیز قابلیت نامطلوب وب سایت های کارخانه‌ها، به ترتیب از عوامل عدم موفقیت تجارت الکترونیک در این کارخانه‌ها در زیرساخت فنی محسوب می‌شود 2 The electronic commerce is considered as one of the strategies to maintain competitive advantage in the companies. To have a successful electronic commerce in each business, some requirements and infrastructures are needed in advance. "Technical infrastructure" is as the most fundamental and most important infrastructure for electronic commerce. In this study, a comprehensive model is presented that introduces the effective factors on the success of electronic commerce in the technical infrastructure and shows that how by using importance-performance analysis model, it can be possible to identify the undesirable infrastructure factors that lead to unsuccessfulness of electronic commerce in each business and prioritize them for improvement and, technical infrastructure of electronic commerce and it’s capabilities which are necessary for successful implementation will be reviewed and technical infrastructure factor that cause failure of the e-commerce in the tile and ceramic industry of Maybod county, as one of the main centers of ceramic and tile production in the world and the biggest exporter of tiles in Iran, will be evaluated using the " analysis of importance- Performance" method. The results indicate that the internal infrastructure as well as the hardware and software available in theses firms, have acceptable condition and non-use of electronic payments, poor public infrastructure (Internet), lack of enough human force and undesirable capability of websites, are the main factors for failure of electronic commerce in term of technical infrastructure in these firms, respectively. [dm1] [dm1]بازنگری شود 15 30 الهام دهقانی فیروزآبادی دانشگاه غیرانتفاعی نور طوبی تهران ایران dehghan.elham60@gmail.com امیر مانیان دانشکده مدیریت دانشگاه تهران ایران amanian@ut.ac.ir حسنعلی نعمتی دانشگاه تهران ایران nemati@ut.ac.ir electronic commerce infrastructures technical infrastructure success factors tile and ceramic factories in Meybod County Importance Performance matrix. تجارت الکترونیک زیرساخت ها زیرساخت فنی فاکتورهای موفقیت کارخانجات کاشی و سرامیک شهرستان میبد . ماتریس اهمیت - عملکرد ##1. توربان, ا. ؛ کینگ, د. (2010). مبانی تجارت الکترونیک (نسخه اول). (ا. مانیان, ؛ م. ر. زندی منش, مترجم) نگاه دانش.##2. زکی‌زاده, ح. (1390). بازیابی در 06 11, 1392، از سازمان صنعت،معدن و تجارت استان یزد##3. سعیدا, س., ابراهیم زاده, ف., و بخشی, م. (1390). ارزیابی و اولویت‌بندی مولفههای کیفیت خدمات دانشگاهی با رویکرد تلفیقی سروکوال و ماتریس اهمیت ـ عملکرد (مورد مطالعه: دانشگاه یزد). فصلنامه علمی- پژوهشی «رهیافتی نو در مدیریت آموزشی».##4. سیفی دیو کلایی, م. (1390). تجارت الکترونیک در ایران : موانع و راهکارها. ششمین همایش ملی تجارت و اقتصاد الکترونیکی, جلد1, ص. 171. تهران.##5. علی احمدی, ع., فتحیان بروجنی, م., & حورعلی, م. (1383). چالش‌ها و راهکارهایی برای توسعه تجارت الکترونیک در بنگاه‌های کوچک و متوسط ایران. فصلنامه مدیریت فردا (5و6), 99-106.##6. علیدوستی, س. (1389). عوامل موثر بر توسعه فناوری اطلاعات و تجارت الکرونیک در شرکت‌های کوچک و متوسط. علوم و فناوری اطلاعات (3), 529-548.##7. علمدار میبدی, م. م., میرابی, و., & محمدقلی نیا, ج. (1389). موانع به کارگیری تجارت الکترونیک در تعاونیهای توزیعی استان تهران. تعاون (4), 119-148.##8. عبدالله‌زاده, ا.؛ شامی, م. (1381). ارائه مدل بسترهای 5گانه زیرساخت های مورد نیاز برای توسعه ملی فناوری اطلاعات و ارتباطات (مطالعه موردی: مالزی). دانش مدیریت (57), 29-49.##9. مختاری, ا. (1388). مدل فراگیر ماندگاری در تجارت الکترونیک. مجله تدبیر(207), 44-48.##10.Ainin, S., & Hisham, N. H. (2008). Applying Importance-Performance Analysis to Information Systems: An Exploratory Case Study. Information Technology, 2008, 95-103.##11.Alinezhad, M., Rahimipoor, A., & Valizadeh, Z. (2012). The Impact of Technology and Communication Infrastructure on Development of e-Commerce in Iran. International Journal of e-Education, e-Business, e-Management and e-Learning,, 2(2), 162-164##12.Angel, R., Heffernan, T., & Megicks, P. (2008). Service quality in postgraduate education. J QualAssur Educ, 16(3), 236-254.##13.Chaffey, D. (2002). E-business and E-commerce management:strategy,implementation and practice (5 ed.). instock.##14.CHIU, Y.-W., YEN, D. C., & SHIH, D.-H. (2011). Importance-Performance Analysis for the Adoption of Radio Frequency Identification Technology. Journal of Information Technology Management, XXII(2), 30-40.##15. CID,(2002). The Center for International Development readiness for the networked world.##16. Elahi, S.,and Hassanzadeh, A. (2009). A framework for evaluating electronic commerce adoption in Iranian companies”. International Journal of Information Management, 29, 27-36.##17. Ghobakhloo, M., (2013). Barriers to Electronic Commerce Adoption Among Small Businesses in Iran. Journal of Electronic Commerce in Organizations, 9(3), 48-89.##18.Kanungo, S., & Chouthoy, m. (1998). IT planning in India: Implications for IT effectiveness. Information Technology for Development(8), 71-87.##19.Kim, C. (2004). E-tourism: an innovative approach for the small and medium-sized tourism enterprises (SMTEs) in Korea. OECD.##20.Kitcharoen, S. (2007). importance-performance analysis on information technology applications in higher educational institutions in thailand. ABAC Journal, 27(2), 15-22.##21.Laosethakul, k., & Boulton, W. (2007). critical fuccess factor for e-commerce in Thailand: cultural and infrastructural influences. EJISDC(2), 1-22.##22.Lee, S., & Kim, D. J. (2013). Driving factors and barriers of information and communication technology for ebusiness in SMEs: A case study in Korea. IADIS International Conference e-Society, Spain, pp. 163-171.##23.LUO, H., and Wenli, J. (2008). Research on E-Commerce Supply Chain Alliance Performance Evaluation Based on Importance-Performance Analysis. International Conference on Logistics Engineering and Supply Chain , (pp. 771-776). china.##24.MacGregor, R. C., & Vrazalic, L. V. (2005). A basic model of electronic commerce adoption barriers: A study of regional small businesses in Sweden and Australia. Journal of Small Business and Enterprise Development, 12(4), 510-527.##25.Maryeni, Y., Govindaraju, R., Prihartono, B., & Iman, S. (2014). Technological and organizational factors influencing the e-commerce adoption by Indonesian SMEs. 6th International Conference on Management of Innovation and Technology, IEEE, PROCEEDING, INDONESIA, pp. 1716-1726. ##26.Mukti, N. A. (2000). Barriers to putting business on Internet in Malaysia. The Electronic Journal of Information System in Developing Countries, 2(6), 1-6.##27.Papazoglou, M., & Ribbers, P. (2006). e-Business:organizational and technical foundations. england: John Wiley & Sons.##28.Purcell, F., and Toland, J. (2004). Electronic Commerce for the South Pacific: A Review of E-Readiness. Electronic Commerce Research,(4), 241-262.##29.Sathye, M., and Beal, D. (2001). Adoption of ellectronic commerce by SME's: australian evidence. Journal of E-Business, 1(1), 1-11.##30.Sung, T. K. (2004). E-commerce critical success factors: East vs. West. Technological Forecasting & Social Change.##31.Weil, P., and Broadbent, M. (1998). Leveraging the New Infrastructure: How Market Leaders Capitalize on IT. Harvard Business Review Press.##32.Weill, P., and Vitale, M. (2002). information technology infrastructure for e-business. Nabu Press.##33.Wong, M. S., Hideki, N., & George, P. (2011). the use of importance-performance analysis (IPA) in evaluating japan's e-government services. Journal of Theoretical and Applied Electronic Commerce Research, 6(2), 17-30.##34.Xianfeng, Q., Boxing, L., & Zhenwei, G. (2008). Conceptual model of IT infrastructure capability and it's emperical justification. Tsinghua Science and Technology, 13(3), 390-394.##35.Zaied, A. N. (2012). Barriers to E-Commerce Adoption in Egyptian SMEs. Information Engineering and Electronic Business(3), 9-18.## ##

استفاده از خوشه بندی در پروتکل مسیریابی AODV برای شبکه های بین خودرویی بر روی سناریوی بزرگراه using clustering in AODV routing protocol for vehicular ad-hoc networks on highway scenario 1 1 شبکه های بین خودرویی زیرمجموعه‌ای از شبکه های سیار موردی می باشد که در آن خودروها به عنوان گره های شبکه محسوب می شوند. تفاوت اصلی آن با شبکه های سیار موردی در تحرک سریع گره ها است که باعث تغییر سریع توپولوژی در این شبکه می شود. تغییرات سریع توپولوژی شبکه یک چالش بزرگ برای مسیریابی محسوب می شود که برای مسیریابی در این شبکه ها، پروتکل های مسیریابی باید قوی و قابل‌اعتماد باشد. یکی از پروتکل های مسیریابی شناخته ‌شده در شبکه‌های بین خودرویی، پروتکل مسیریابی AODV است. اعمال این پروتکل مسیریابی بر روی شبکه های بین خودرویی نیز دارای مشکلاتی می‌باشد که با افزایش مقیاس شبکه و تعداد گره ها، تعداد پیام های کنترلی در شبکه افزایش می یابد. یکی از روش‌های کاهش سربار در پروتکل AODV، خوشه بندی کردن گره های شبکه است. در این مقاله برای خوشه بندی کردن گره ها از الگوریتم تغییریافته K-Means و برای انتخاب سر خوشه از الگوریتم ازدحام ذرات استفاده شده است. نتایج بدست آمده از روش پیشنهادی باعث بهبود بار مسیریابی نرمال شده و افزایش نرخ تحویل بسته در مقایسه با پروتکل مسیریابی AODV شده است. 2 Vehicular Ad hoc networks are a subset of mobile Ad hoc networks in which vehicles are considered as network nodes. Their major difference is rapid mobility of nodes which causes the quick change of topology in this network. Quick changes in the topology of the network are considered as a big challenge For routing in these networks, routing protocols must be robust and reliable. AODV Routing protocol is one of the known routing protocols in vehicular ad hoc networks. There are also some problems in applying this routing protocol on the vehicular ad hoc networks. The number of control massages increases with increasing the scale of the network and the number of nodes . One way to reduce the overhead in AODV routing protocol is clustering the nodes of the network. In this paper , the modified K-means algorithm has been used for clustering the nodes and particle swarm optimization has been used for selecting cluster head. The results of the proposed method improved normalized routing load and the increase of the packet delivery rate compared to AODV routing protocol. 31 40 امین فیضی amin feyzi دانشگاه شهید باهنر کرمان دانشگاه شهید باهنر کرمان ایران aminfeyzi.1367@yahoo.com وحید ستاری نائینی vahid sattari naeini دانشگاه شهید باهنر کرمان دانشگاه شهید باهنر کرمان ایران vsnaeini@uk.ac.ir مجید محمدی majid mohammadi دانشگاه شهید باهنر کرمان دانشگاه شهید باهنر کرمان ایران vehicular ad-hoc networks AODV routing protocol clustering particle swarm optimization شبکه های بین خودرویی پروتکل مسیریابی AODV خوشه بندی الگوریتم ازدحام ذرات ##1. Y. Liu, J. Bi, and J. Yang, "Research on vehicular ad hoc networks," in Control and Decision Conference, 2009. CCDC'09. Chinese, 2009, pp. 4430-4435.##2.S. Yousefi, M. S. Mousavi, and M. Fathy, "Vehicular ad hoc networks (VANETs): challenges and perspectives," in ITS Telecommunications Proceedings, 2006 6th International Conference on, 2006, pp. 761-766.##3. B. T. Sharef, R. A. Alsaqour, and M. Ismail, "Vehicular communication ad hoc routing protocols: A survey," Journal of Network and Computer Applications, vol. 40, pp. 363-396, 2014.##4. A. Dua, N. Kumar, and S. Bawa, "A systematic review on routing protocols for Vehicular Ad Hoc Networks," Vehicular Communications, vol. 1, pp. 33-52, 2014.##5. M. Al-Doori, "Directional routing techniques in vanet," Phd Thesis, De Montfort University, 2011.##6. M. Z. A. Mohammed ,N. Abdullah and Rooa Adnan Sabri, "AODV Protocol Improvement using Intelligent Clustering," International Journal of Computer, vol. 88 ,2014.##7. Daxin Tian, Yunpeng Wang, Guangquan Lu and Guizhen Yu," A VANETs Routing Algorithm Based on Euclidean Distance Clustering, " in Future Computer and Communication (ICFCC) ,2010, pp. 183-187.##8. Tao Song, Wei wei Xia, Tiecheng Song and Lianfeng Shen, "A Cluster-Based Directional Routing Protocol in VANET," in Communication Technology (ICCT),2010, pp. 1172-1175##9. Aswathy M C and Tripti C, "A cluster based enhancement to AODV for inter-vehicular communication in VANET," International Journal of Grid Computing & Applications (IJGCA) Vol.3, No.3, September 2012.##10. (AODV) routing," RFC 3561 , 2003.##11. C. E. Perkins and E. M. Royer, "Ad-hoc on-demand distance vector routing," in Mobile Computing Systems and Applications, 1999. Proceedings. WMCSA'99. Second IEEE Workshop on, 1999, pp. 90-100.##12.E. M. Royer and C .E. Perkins, "An implementation study of the AODV routing protocol," in Wireless Communications and Networking Confernce, 2000. WCNC. 2000 IEEE, 2000, pp. 1003-1008.##13.R. C. Eberhart and J. Kennedy, "A new optimizer using particle swarm theory," in Proceedings of the sixth international symposium on micro machine and human science, 1995, pp. 39-43. 14 ] X.-b. Wang, Y.-l. Yang, and J.-w. An, "Multi-metric decisions in vanet," in Dependable, Autonomic and Secure Computing, 2009. DASC'09 .Eighth IEEE International Conference on, 2009, pp. 551-556.##14. X.-b. Wang, Y.-l. Yang, and J.-w. An, "Multi-metric routing decisions in vanet," in Dependable, Autonomic and Secure Computing, 2009. DASC'09 .Eighth IEEE International Conference on, 2009, pp. 551-556.##15 K. Z. Ghafoor, K. A. Bakar, M. van Eenennaam, ##R. H. Khokhar, and A. J. Gonzalez, "A fuzzy logic approach to beaconing for vehicular ad hoc networks," Telecommunication Systems, vol. 52, pp. 139-149, 2013.##16. http://www.openstreetmap.org [seen January Dec. 2015].##routing ## ##

ارائه روشی برای بخش‌بندی مشتریان با استفاده از مدل RFM در شرایط عدم قطعیت A method for clustering customers using RFM model and grey numbers in terms of uncertainty 1 1 هدف از انجام این پژوهش ارائه روشی برای بخش‌بندی مشتریان بانک بر مبنای مدل RFM در شرایط عدم قطعیت می‌باشد. در چارچوب پیشنهادی این پژوهش پس از تعیین مقادیر شاخص‌های مدل RFM شامل تازگی مبادله (R)، تعداد دفعات مبادله (F) و ارزش پولی مبادله (M) برای از بین بردن عدم قطعیت حاکم بر آن‌ها، از تئوری اعداد خاکستری استفاده شده و با استفاده از یک روش متفاوت به بخش‌بندی مشتریان پرداخته شده است. به این ترتیب مشتریان بانک به سه بخش یا خوشه اصلی تحت عنوان مشتریان خوب، معمولی و بد تفکیک شده اند. پس از اعتبارسنجی خوشه‌ها با استفاده از شاخص‌های دان و دیویس بولدین، ویژگی‌های مشتریان در هر یک از بخش‌ها شناسایی شده است. در پایان نیز پیشنهادهایی جهت بهبود سیستم مدیریت ارتباط با مشتری ارائه می‌گردد. 2 The purpose of this study is presentation a method for clustering bank customers based on RFM model in terms of uncertainty. According to the proposed framework in this study after determination the parameter values of the RFM model, including recently exchange (R), frequency exchange (F), and monetary value of the exchange (M), grey theory is used to eliminate the uncertainty and customers are segmented using a different approach. Thus, bank customers are clustered to three main segments called good, ordinary and bad customers. After cluster validation using Dunn index and Davis Bouldin index, properties of customers are detected in any of the segments. Finally, recommendations are offered to improve customer relationship management system. 41 54 محمدرضا غلامیان دانشگاه علم و صنعت ایران دانشگاه علم و صنعت ایران gholamian@iust.ac.ir عظیمه مظفری دانشگاه علم و صنعت ایران دانشگاه علم و صنعت ایران azime.mozafari@yahoo.com RFM Model Uncertainty Clustering Grey Number Data Mining مدلRFM عدم قطعیت بخش‌بندی عدد خاکستری داده‌کاوی ##1. Plakoyiannaki, E. (2005). How do organisational members perceive CRM? Evidence from a UK service firm. Journal of Marketing Management, 21(3-4), 363-392.##2. Ngai, E. W., Xiu, L., & Chau, D. C. (2009). Application of data mining techniques in customer relationship management: A literature review and classification. Expert systems with applications, 36(2), 2592-2602. ##3. Liu, B. (2009). Some research problems in uncertainty theory. Journal of Uncertain Systems, 3(1), 3-10.##4. Liu, B. (2010). Uncertainty Theory: A Branch of Mathematics for Modeling Human Uncertainty, Springer-Verlag, Berlin.##5. Liu, B. (2007). Uncertainty theory (pp. 205-234). Springer Berlin Heidelberapproach in uncertain programming part I: new arithmetic and order relation for interval numbers. Journal of Industrial and Management Optimization, 2(4), 351.‌g.##6. Kiang, M. Y., Hu, M. Y., & Fisher, D. M. (2006). An extended self-organizing map network for market segmentation—a telecommunication example.Decision Support Systems, 42(1), 36-47.##7. Hsieh, N. C. (2004). An integrated data mining and behavioral scoring model for analyzing bank customers. Expert systems with applications, 27(4), 623-633.##8. Liu, D. R., & Shih, Y. Y. (2005). Integrating AHP and data mining for product recommendation based on customer lifetime value. Information & Management,42(3), 387-400.##9. Sohrabi, B., & Khanlari, A. (2007). Customer lifetime value (CLV) measurement based on RFM model. Iranian Accounting & Auditing Review, 14(47), 7-20.##10. Hu, W., & Jing, Z. (2008). Study of segmentation for auto services companies based on RFM model, [online], <http:// www. pucsp.br/icim/ingles/downloads/pdf_procceeding_2008/66. pdf >.##11.Wu, H. H., Chang, E. C., & Lo, C. F. (2009). Applying RFM model and K-means method in customer value analysis of an outfitter. In Global Perspective for Competitive Enterprise, Economy and Ecology (pp. 665-672). Springer London.##12. Cheng, C. H., & Chen, Y. S. (2009). Classifying the segmentation of customer value via RFM model and RS theory. Expert systems with applications, 36(3), 4176-4184.##13. Namvar, M., Gholamian, M. R., & KhakAbi, S. (2010, January). A two phase clustering method for intelligent customer segmentation. In Intelligent Systems, Modelling and Simulation (ISMS), 2010 International Conference on (pp. 215-219). IEEE.##14. Hosseini, S. M. S., Maleki, A., & Gholamian, M. R. (2010). Cluster analysis using data mining approach to develop CRM methodology to assess the customer loyalty. Expert Systems with Applications, 37(7), 5259-5264.##15. Khajvand, M., & Tarokh, M. J. (2011). Estimating customer future value of different customer segments based on adapted RFM model in retail banking context. Procedia Computer Science, 3, 1327-1332.##16. Li, D. C., Dai, W. L., & Tseng, W. T. (2011). A two-stage clustering method to analyze customer characteristics to build discriminative customer management: A case of textile manufacturing business. Expert Systems with Applications, 38(6), 7186-7191.##17. Seyedhosseini, S. M., Gholamian, M. R., & Maleki, A. (2011). A Methodology Based on RFM Using Data Mining Approach to Assess the Customer Loyalty. International Journal of Industrial Engineering, 22(2), 171-179. ##18.کفاش‌پور، آ.؛ توکلی، ا.، و علیزاده زوارم، ع. (1391). بخش‌بندی مشتریان بر اساس ارزش دوره عمر آن‌ها با استفاده از داده‌کاوی بر مبنای مدل آر. اف. ام. (RFM). پژوهش‌های مدیریت عمومی، 5 (15)، 63-84.##19. زین‌العابدینی، س. ف.؛ مهدوی، م.، و خان‌بابایی، م. (1391). بخش‌بندی و شناسایی مشتریان خدمات بانکداری الکترونیکی بر مبنای تکنیک‌های داده‌کاوی و مدل تحلیل RFM. مطالعه موردی: موسسه اعتباری توسعه. دومین کنفرانس ملی مهندسی نرم افزار.##20. Alvandi, M., Fazli, S., & Abdoli, F. S. (2012). K-Mean clustering method for analysis customer lifetime value with LRFM relationship model in banking services. International Research Journal of Applied and Basic Sciences, 3(11), 2294-2302.##21. Rezaeinia, S. M., Keramati, A., & Albadvi, A. (2012). An integrated AHP–RFM method to banking customer segmentation. International Journal of Electronic Customer Relationship Management, 6(2), 153-168.##22. Wei, J. T., Lee, M. C., Chen, H. K., & Wu, H. H. (2013). Customer relationship management in the hairdressing industry: An application of data mining techniques. Expert Systems with Applications, 40(18), 7513-7518.‌##23. Wen, K. L., & Huang, Y. F. (2004). The development of grey statistic toolbox and its application in the clustering of student’s test score. Journal of Quantitative Management, 1(2), 219-238.‌##24. Lee, K. L., Lin, S. C., & Hsiao, S. H. (2007). Analyzing the performance indices of information service type of supply chain model. Soochow Journal of Economics and Business, 58(1), 61.‌##25. Wen, K. L. (2008). A Matlab toolbox for grey clustering and fuzzy comprehensive evaluation. Advances in Engineering Software, 39(2), 137-145.‌##26. Lin, C. H., Wu, C. H., & Huang, P. Z. (2009). Grey clustering analysis for incipient fault diagnosis in oil-immersed transformers. Expert Systems with Applications, 36(2), 1371-1379.‌##27. Wei, J. T., Lin, S. Y., & Wu, H. H. (2010). A review of the application of RFM model.##28. Buttle, F. (2004). Customer relationship management: Concepts and Tools. Elsevier Butterworth Heinemann.##29. رزمی، ج.، و قنبری، آ. (1388). ارائه مدلی نوین جهت محاسبه ارزش دوره عمر مشتری. مدیریت فناوری و اطلاعات، 1 (1)، 35 -50.##30. Kim, Y. S., & Sohn, S. Y. (2004). Managing loan customers using misclassification patterns of credit scoring model. Expert Systems with Applications, 26(4), 567-573.‌##31. Wu, W. H., Lin, C. T., Peng, K. H., & Huang, C. C. (2012). Applying hierarchical grey relation clustering analysis to geographical information systems–A case study of the hospitals in Taipei City. Expert Systems with Applications, 39(8), 7247-7254.‌##32. Liu, L., Zhou, J. Z., An, X. L., Yang, L., & Liu, S. Q. (2007, November). Improvement of the grey clustering method and its application in water quality assessment. In Wavelet Analysis and Pattern Recognition, 2007. ICWAPR'07. International Conference on (Vol. 2, pp. 907-911). IEEE.‌##33. Ke, L., Xiaoliu, S., Zhongfu, T., & Wenyan, G. (2012). Grey clustering analysis method for overseas energy project investment risk decision. Systems Engineering Procedia, 3, 55-62.‌##34. Luo, D., & Liu, S. F. (2005). Grey incidence decision-making with incomplete information. Journal of applied sciences, 23(4), 408-412.‌##35. Nozari, H., Jafari-Eskandari, M., Kamfirozi, M. H., & Mozafari, A. (2014). Using Numerical Taxonomy and Combined Bulls-Eye–Shapley Weighting Method in Order to Ranking Websites of Iranian Universities by Three-Parameter Interval Gray Numbers. Arabian Journal for Science and Engineering, 39(4), 3299-3305.##36.approach in uncertain programming part I: new arithmetic and order relation for interval numbers. Journal of Industrial and Management Optimization, 2(4), 351.‌Hu, B. Q., & Wang, S. (2006). A novel ## ##

طراحی مدل پویاشناسی سیستم جهت سیاستگذاری ارتقای شاخصهای شبکه فناوری اطلاعات و ارتباطات ایران Design a Model Of System Dynamics (SD) On The Policy Of Upgrading Indices Of Iran ICT Network 1 1 در سالهای اخیر بروز تحولات گسترده در زمینه اطلاعات و ارتباطات، تغییرات عمده‌ای را در عرصه‌های متفاوت به دنبال داشته است. انسان همواره از فناوری استفاده نموده و کارنامه حیات بشری مملو از ابداع فناوری های اطلاعات و ارتباطات که از آنان به عنوان فناوری‌های جدید و یا عالی یاد می‌شود. از این رو توسعه شاخص‌های فناوری اطلاعات و ارتباطات اهمیت قابل توجهی یافته است. هدف این تحقیق طراحی مدل پویاشناسی سیستم جهت سیاست‌گذاری ارتقای شاخص‌های شبکه فناوری اطلاعات و ارتباطات ایران است. بدین منظور پس از بررسی مدل‌های مختلف شاخص‌های فناوری اطلاعات و ارتباطات و استخراج شاخصهای مذکور، حلقه‌های علت و معلولی و نمودار جریان با استفاده از روش پویاشناسی سیستم ارائه شده است. نتایج حاصل از شبیه‌سازی نشان می‌دهد که رفتار متغیرهای اساسی مورد مطالعه بعد از اعمال سیاست‌های افزایش رشد اقتصادی، بهبود کمی و کیفی زیرساخت فاوا، رشد شاخصهای اجتماعی، فرهنگ‌سازی بهره-برداری از فاوا و ارتقای دانش فنی کاربران فاوا، بهبود یافته و روند رشد آنها تسریع یافته است. 2 In the recent years, developments in the field of information and telecommunications are pursued by major changes in different areas of human life. Human has constantly employed the technology and track record of human life is abundant with innovation in information and communication technologies (ICT) which are called as new or high- technology. Therefore, ICT Development Indices (IDI) are remarkably important. This research purports to design a model of system dynamics (SD) on the policy of upgrading indices of Iran ICT network. Accordingly, after investigating the IDI and mining the indices, the causal loops and flowchart are depicted through using the SD (system dynamics). The results of simulation show that the behavior of studied key variables, after performing enhancing economic growth policies, improved the quality and quantity of ICT infrastructure, social indices, the culture of employing ICT, and the technical knowledge of ICT operators and the enhancing process has accelerated. 55 70 علی نقی مصلح شیرازی Ali Naghi Mosleh Shirazi دانشگاه شیراز دانشکده اقتصاد، مدیریت و علوم اجتماعی دانشگاه شیراز ایران h2honarparvaran@yahoo.com علی محمدی Ali Mohammadi دانشگاه شیراز دانشکده اقتصاد، مدیریت و علوم اجتماعی دانشگاه شیراز ایران h2honarparvaran@yahoo.com حبیب الله رعنایی Habibollah Ranaei دانشگاه شیراز دانشکده اقتصاد، مدیریت و علوم اجتماعی دانشگاه شیراز ایران h2honarparvaran@yahoo.com حمید هنرپروران Hamid Honarparvaran دانشگاه شیراز دانشکده اقتصاد، مدیریت و علوم اجتماعی دانشگاه شیراز ایران h2honarparvaran@yahoo.com Information and Communication Technologies (ICT) Information and Communication Technologies Development Indices (IDI) system dynamics (SD) فناوری اطلاعات و ارتباطات شاخصهای فناوری اطلاعات و ارتباطات پویایی‌شناسی سیستم. ##1. جهانگرد، اسفندیار(1391). اقتصاد فناوری اطلاعات و ارتباطات. چاپ و نشر بازرگانی وابسته به موسسه مطالعات و پژوهش های بازرگانی.##2.شهرداری الکترونیکی(1385). انتشارات رهشهر.##3.مهدوی عادلی، محمد حسین و رنجبرکی، علی (1389). بررسی رابطه بلند مدت بین رشد اقتصادی و توزیع درآمد در ایران. پژوهشنامه اقتصادی، شماره 18، ص 113ـ 138.##4. نیلی، فرهاد (1390). رشد اقتصادی و توزیع درآمد چهار دهه بعد از کوزنتسوکالدرو. مجله برنامه و بودجه، شماره 38، ص 3ـ 48.##5.Economist Intelligence Unit (2008).The 2008 e-readiness rankings. London: EIU. Retrieved April 10, 2008 from http://a330.g.akamai.net/7/330/25828/20080331202303/graphics.eiu.co m/upload/ibm_ereadiness_2008.pdf##6. EDGI United Nations Department of Economic and Social Affairs (UNDESA) and ASPA (2001). “Benchmarking E-government: A Global Perspective”.UNDESA/ASPA.##http://hdr.undp.org/##http://www.un.org/##7.International Telecommunication :union: (2011). World Telecommunication Development Report 2003: Access Indicators for the Information Society. Geneva: ITU.##8.Jorgenson, D. W., &Seroh, K. J. (2000).US economic growth and the industry level.American Economic Review, 90(2), 161‐167.##9.Center for International Development at Harvard University (Ed.) (2000).Readiness for the Networked World.A Guide for Developing Countries. Cambridge: Center for International Development at Harvard University. Retrieved February 17, 2006 from##10.Çilan, C.A., Bolat, B.A. &Coşkun, E(2009), Analyzing digital divide within and between member and candidate countries of European :union:, Government Information Quarterly 26, 98–105##11.CSPP, The CSPP Guide to Global Electronic Commerce Readiness, http://www.cspp.org/projects/cspp_gec/index2.html##12.DAI, ITU Digital Access Index: World’s First Global ICT Ranking##13.DOI, Creating a Development Dynamic: Final report of the Digital Opportunity Initiative, 2001##14.Consortium (2003).SIBIS.NeweEurope Indicator Handbook. Bonn: Empirica. Retrieved May 31, 2006 from http://www.empirica.biz/sibis/files/Sibis_Indicator_Handbook.pdf##15.The World Economic Forum, (WEF), The Global Information Technology Report, 2003-2004##16.United Nations Department of Economic and Social Affairs (UNDESA) and ASPA (2001).“Benchmarking E-government: A Global Perspective”.UNDESA/ASPA.##17.WITSA (2008). Digital Planet 2008: The Global Information Economy. Arlington: WITSA.##18.Khuong, V. (2004).ICT and Global Economic Growth, Contribution, Impact, andPolicy Implication. Thesis for degree of Doctor of Philosophy in the subject ofPublic Policy: Economics department; Harvard University.##19.McConnell International, The Global E-Government Outlook,##http://www.mcconnellinternational.com/ereadiness/The_Global_E-Government_Outlook.pdf##20.Mosaic Group (1998). “An Internet Diffusion Framework”, Communications of the ACM, October 1998, vol.41, no.10, pp. 21-26.##21.Nasiri, F. &Goodarzi, A. (2005). ICT and economic growth in selected countries: Panel data method. Journal New Economy,1(3), 73-94 (in Persian).##22.Nour, O. M. (2002). The impact of ICT on economic development in the Arab world:A comparative study of Egypt and the Persian Gulf countries. The United Nations University (UNU), Institute for New Technologies (INTECH).## ##

تشخیص درب مبتنی بر بینایی ماشین در صحنه‎های بیرونی Vision-based Entrance Detection in Outdoor Scenes 1 1 درب‎ها نشانه‌ی مهمی جهت ورود و خروج از ساختمان برای افراد نابینا و ربات‎ها می‌باشند. تشخیص درب در محیط‎های بیرونی به یکی از مسائل دشوار در بینایی کامپیوتر تبدیل شده است؛ زیرا معمولا̎ در درب‎های محیط‎های بیرونی، ویژگی‎های یک درب ساده مانند دستگیره، گوشه‎ها و فضای خالی بین درب و زمین آشکار نیستند. در این مقاله، روشی برای تشخیص درب در محیط‎های بیرونی ارائه می شود. پس از استخراج خطوط و حذف خطوط اضافی، ناحیه‌ی بین خطوط عمودی تشکیل می‎شود و ویژگی‎های هر ناحیه شامل ارتفاع، عرض، محل، رنگ، بافت و تعداد خطوط داخل ناحیه استخراج می گردند. سپس از دانش اضافی مانند وجود درب در پایین تصویر، ارتفاع و عرض معقول درب و اختلاف رنگ و بافت درب با ناحیه‌ی اطراف، برای تصمیم‎‎گیری وجود درب استفاده می‎شود. این روش بر روی مجموعه تصاویر eTRIMS و مجموعه تصاویر خودمان شامل درب‎های منازل، آپارتمان‎ها و فروشگاه‎ها امتحان شده است و نتایج ارائه‌شده، برتری روش پیشنهادی نسبت به روش‌های پیشین را نشان می‌دهد. 2 Doors are a significant object for the visually impaired and robots to enter and exit buildings. Although the accuracy of door detection is reported high in indoor scenes, it has become a difficult problem in outdoor scenes in computer vision. The reason may lie in the fact that such properties of a simple ordinary door such as handles, corners, and the gap between the door and the ground may not be visible due to the great variety of doors in outdoor environments. In this paper, we present a vision-based method for detecting building entrances in outdoor images. After extracting the lines and deleting the extra ones, regions between the vertical lines are specified and the features including height, width, location, color, texture and the number of lines inside the regions are obtained. Finally, some additional knowledge such as door existence at the bottom of the image, a reasonable height and width of a door, the difference between color and texture of the doors and those of the neighboring regions, and numerous lines on doors is used to decide on door detection. The method was tested on eTRIMS dataset and our own dataset including doors of houses, apartments, and stores leading to acceptable results. The obtained results show that our approach outperforms comparable state-of-the-art approaches. 71 82 مهدی طالبی Mehdi Talebi دانشگاه اصفهان دانشکده‌ی مهندسی کامپیوتر، دانشگاه اصفهان ایران mtalebi@eng.ui.ac.ir عباس وفایی Abbas Vafaei دانشگاه اصفهان دانشکده‌ی مهندسی کامپیوتر، دانشگاه اصفهان ایران abbas_vafaei@eng.ui.ac.ir امیرحسن منجمی Amirhassan Monadjemi دانشگاه اصفهان دانشکده‌ی مهندسی کامپیوتر، دانشگاه اصفهان ایران monadjemi@eng.ui.ac.ir Computer vision entrance detection lines extraction color texture بینایی کامپیوتر تشخیص درب استخراج خطوط رنگ بافت ##1. R. Szeliski, Computer Vision: Algorithms and Applications, Springer, London, 2011.##2. D. Anguelov, D. Koller, E. Parker, and S. Thrun, “Detecting and Modeling Doors with Mobile Robots,” Proc. Int. Conf. on Robotics and Automation, USA, pp. 3777-3784, 2004.##3. Z. Chen, Y. Li, and S.T. Birchfield, “Visual Detection of Lintel-Occluded Doors by Integrating Multiple Cues Using Data-Driven Markov Chain Monte Carlo Process,” Robotics and Autonomous Systems, Vol. 59, No. 11, pp. 966-976, 2011.##4. J. Hensler, M. Blaich, and O. Bittel, “Real-Time Door Detection Based on Adaboost Learning Algorithm,” Proc. Int. Conf. on Research and Education in Robotics, France, pp. 61-73, 2009.##5. A.C. Murillo, J. Kosecka, J.J. Guerrero, and C. Sagues, “Visual Door Detection Integrating Appearance and Shape Cues,” Robotics and Autonomous Systems, Vol. 56, No. 6, pp. 512-521, 2008.##6. R. Sekkal, F. Pasteau, M. Babel, B. Brun, and I. Leplumey, “Simple Monocular Door Detection and Tracking,” Proc. Int. Conf. on Image Processing, Australia, pp. 3929-3933, 2013.##7. J. Liu, T. Korah, V. Hedau, V. Parameswaran, R. Grzeszczuk, and Y. Liu, “Entrance Detection from Street-View Images,” Proc. Int. Conf. on Computer Vision and Pattern Recognition Workshop (CVPR), USA, 2014.##8. S.J. Kang, H.H. Trinh, D.N. Kim, and K.H. Jo, “Entrance Detection of Buildings Using Multiple Cues,” Proc. Int. Conf. on Intelligent Information and Database Systems, Vietnam, pp. 251-260, 2010.##9. O. Teboul, I. Kokkinos, L. Simon, P.## Koutsourakis, and N. Paragios, “ShapeGrammar Parsing via Reinforcement Learning,” Proc. Int. Conf. on Computer Vision and Pattern Recognition (CVPR), USA, pp. 2273-2280, 2011.##10. H. Riemenschneider, U. Krispel, W. Thaller, M. Donoser, S. Havemann, D. Fellner, and H. Bischof, “Irregular Lattices for Complex##Shape Grammar Facade Parsing,” Proc. Int. Conf. on Computer Vision and Pattern Recognition (CVPR), USA, pp. 1640-1647, 2012.##11.M. Mathias, A. Martinovic, and L. Van Gool,“ATLAS: A Three-Layered Approach to Facade Parsing,” Int. Journal of Computer Vision (IJCV), Vol. 118, No. 1, pp. 22-48, 2016.##12.A. Cohen, A.G. Schwing, and M. Pollefeys, “Efficient Structured Parsing of Facades Using Dynamic Programming,” Proc. Int. Conf. on Computer Vision and Pattern Recognition (CVPR), USA, pp. 3206-3213, 2014.##13. R. Gadde, R. Marlet, and N. Paragios, “Learning##Grammars for Architecture-Specific Façade##Parsing,” Int. Journal of Computer Vision (IJCV), Vol. 117, No. 3, pp. 290-316, 2016.##14.C. Zhou and C. Liu, “Semantic Image##Segmentation using Low-Level Features and Contextual Cues,” Computers and Electrical ##Engineering, Vol. 40, pp. 844-857, 2014.##15. S. Gould and X. He, “Scene Understanding by Labeling Pixels,” Communications of the ACM, Vol. 57, No. 11, pp. 68-77, 2014.##16. J. Xiao, T. Fang, P. Zhao, M. Lhuillier, and L. Quan, “Image-based Street-side City Modeling,” ACM Transactions on Graphics, Vol. 28, No. 5, 2009.##17.B. Shuai, Z. Zuo, G. Wang, and B. Wang, “Scene Parsing with Integration of Parametric and Non-parametric Models,” IEEE Trans. on Image Processing, Vol. 25, No. 5, pp. 2379-2391, 2016.##18. P.F. Felzenszwalb and D.P. Huttenlocher, “Efficient Graph-Based Image Segmentation,” Int. Journal of Computer Vision (IJCV), Vol. 59, No. 2, pp. 167-181, 2004.##19. J. Tighe and S. Lazebnik, “Superparsing: Scalable Nonparametric Image Parsing with Superpixels,” Int. Journal of Computer Vision (IJCV), Vol. 101, No. 2, pp. 329-349, 2013.##20. C. Liu, J. Yuen, and A. Torralba, “Nonparametric Scene Parsing via Label Transfer,” IEEE Trans. on Pattern Analysis and Machine Intelligence (PAMI), Vol. 33, No. 12, pp. 2368-2382, 2011.##21. P. Razzaghi and S. Samavi, “A New Fast Approach to Nonparametric Scene Parsing,” Pattern Recognition Letters, Vol. 42, pp. 56-64, 2014.##22. M. Najafi, S. Taghavi Namin, M. Salzmann, and L. Petersson, “Sample and Filter: Nonparametric Scene Parsing via Efficient Filtering, Proc. Int. Conf. on Computer Vision and Pattern Recognition (CVPR), USA, pp. 607-615, 2016.##23. R.G. Von Gioi, J. Jakubowicz, J.M. Morel, and G. Randall, “LSD: A Fast Line Segment Detector with a False Detection Control,” IEEE Trans. on Pattern Analysis and Machine Intelligence (PAMI), Vol. 32, No. 4, pp. 722-732, 2010.##24. F. Korc and W. Forstner, “eTRIMS Image Database for Interpreting Images of Man-Made Scenes,” Technical Report, University of Bonn, 2009.##25.R.G. Von Gioi, J. Jakubowicz, J.M. Morel, and G. Randall, “LSD: a Line Segment Detector,” Image Processing On Line, Vol. 2, pp. 35-55, 2012.##26.T. Leung and J. Malik, “Representing and Recognizing the Visual Appearance of Materials using Three-dimensional Textons,” Int. Journal of Computer Vision (IJCV), Vol. 43, No. 1, pp. 29-44, 2001.##27. A.K. Jain and F. Farrokhnia, “Unsupervised Texture Segmentation using Gabor Filters,” Pattern Recognition, Vol. 24, ##No. 12, pp. 1167-1186, 1991.Code available:## 28. A.K. Jain and F. Farrokhnia, “Unsupervised Texture Segmentation using Gabor Filters,” Pattern Recognition, Vol. 24, No. 12, pp. 1167-1186, 1991.Code available: ##http://note.sonots.com/SciSoftware.html ##29. D. Hoiem, A.A. Efros, and M. Hebert, “Recovering Surface Layout from an Image,” Int. ##Journal of Computer Vision (IJCV), Vol. 75, No. 1, pp. 151-172, 2007.##29. S. Bu, P. Han, Z. Liu, and J. Han, “Scene Parsing using Inference Embedded Deep Networks,” Pattern Recognition, Vol. 59, pp. 188-198, 2016. ##30. Y. Guo, Y. Liu, A. Oerlemans, S. Lao, S. Wu, and M . S . Lew , “Deep Learning for Visual ##Understanding: A Review,” Neurocomputing, Vol. 187. 27-48, 2016.##31. E. Shelhamer, J. Long, and T. Darrell, “Fully Convolutional Networks for Semantic Segmentation,” IEEE Trans. on Pattern Analysis and Machine Intelligence (PAMI), Vol. 39, No. 4, pp. 640-651, 2017.## ##