9182

طبقه بندي تصوير با استفاده از شبكه عصبي كانولوشن

كارشناسي

مهندسي برق_الكترونيك

1403

جناب آقاي دكتر احمد آيت اللهي

1403/06/26

برق

Image classification using convolutional neural networks(CNN)

يادگيري عميق شاخه‌اي از يادگيري ماشين است كه از شبكه‌هاي عصبي مصنوعي چندلايه براي پردازش و تحليل داده‌هاي پيچيده استفاده مي‌كند. اين شبكه‌ها شامل چندين لايه پنهان هستند كه از طريق يادگيري ويژگي‌ها و الگوها از روي داده‌ها، بهبود مي‌يابند‌‌. ‌ اين رويكرد به‌ويژه در حوزه طبقه‌بندي تصوير تحولي شگرف ايجاد كرده است. در طبقه‌بندي تصوير هدف تشخيص و طبقه‌بندي تصاوير بر اساس ويژگي‌هاي موجود در آن‌ها است. تصاوير شامل داده‌هاي پيچيده و غيرخطي هستند و تشخيص دقيق الگوها نياز به استخراج ويژگي‌هاي چندلايه‌ و پيچيده دارد. يادگيري عميق با استفاده از شبكه‌هاي عصبي كانولوشني قابليت يادگيري خودكار اين ويژگي‌ها را از داده‌هاي تصوير فراهم مي‌كند و به همين دليل به‌صورت گسترده در مسائل دسته‌بندي تصوير استفاده مي‌شود. برخلاف روش‌هاي سنتي كه نيازمند استخراج دستي ويژگي‌ها بودند، شبكه‌هاي عصبي عميق قادرند به طور خودكار ويژگي‌هاي پيچيده و انتزاعي را از تصاوير استخراج كنند. اين ويژگي به آن‌ها اجازه مي‌دهد تا روابط پيچيده‌اي را كه بين پيكسل‌هاي يك تصوير وجود دارد، مدل‌سازي كنند و در نتيجه به‌دقت بسيار بالايي در طبقه‌بندي دست يابند. همچنين، يادگيري عميق مقياس‌پذير است و با افزايش حجم داده‌ها، عملكرد آن بهبود مي‌يابد. در ميان انواع مختلف شبكه‌هاي عصبي عميق، شبكه‌هاي Wide Resnet به دليل طراحي خاص خود، عملكرد بسيار خوبي از خود نشان مي‌دهند. اين شبكه‌ها با افزايش عرض شبكه (تعداد فيلترها در هر لايه) و استفاده از اتصالات ميان‌بر توانسته‌اند بر برخي از چالش‌هاي موجود در شبكه‌هاي عميق غلبه كنند. اتصالات ميان‌بر به جريان گراديان در شبكه كمك كرده و مشكل ناپديدشدن گراديان را كه در شبكه‌هاي بسيار عميق رخ مي‌دهد، كاهش مي‌دهند. اين امر باعث مي‌شود آموزش شبكه‌هاي بسيار عميق آسان‌تر شود و بتوان به‌دقت بالاتري دست‌يافت. از سوي ديگر، افزايش عرض به شبكه اجازه مي‌دهد تا ويژگي‌هاي پيچيده‌تري را بياموزد و در نتيجه دقت طبقه‌بندي را به طرز قابل‌توجهي افزايش مي‌دهد.

يادگيري‌عميق، طبقه بند‌ي تصوير‌، شبكه هاي عصبي