بهبود ساختار الگوریتم یادگیری عمیق در پردازش تصویر باالهام از ماتریس تفکیک پذیری مغز

چکیده: الگوریتم­های آموزش عمیق در بسیاری از مسائل بازشناسی الگو، نتایجی در سطح انسان و یا بهتر می­توانند به ثبت رسانند. اما این نتایج با مکانیسمی متفاوت از مغز انسان به­دست آمده است. مدل پیشنهادی در این مقاله یک الگوریتم تقسیم­بندی و درون­یابی با الهام از مغز انسان را توصیف نموده و بعد از لایه ورودی، لایه ی شبکیه اعمال شده است که به پیروی از شبکیه چشم، عمل رمزنگاری بر روی تصویر ورودی را انجام می دهد. سپس تصویر ورودی به فضای ثانی انتقال می یابد که تلاش برای تغییر ساختار شبکه عمیق با الهام از مسیر بینایی مغز خواهد بود. بازخورد شبکه، نرخ بازشناسی و سطح انرژی شبکه و یا جامعیت شبکه­ی آموزش دیده در زیرمجموعه­هایی از مجموعه داده کلتک بررسی می­گردد. در نمونه­های مشابه الگوریتم­های آموزش عمیق برای یادگیری نیاز به داده بیشتری در مقایسه با یادگیری انسان دارد. بعلاوه، اختلاف یادگیری عمیق و انسان، تفاوت در بازنمایش اطلاعات است. در یادگیری عمیق وزن­ها در جهتی بهبود می­یابند تا در یک آزمایش خاص نتیجه بهینه شود ولی در انسان با میلیون­ها سال تکامل، مغز انسان به گونه­ای تکامل یافته تا بازنمایش بهینه و موثر باشد. چالش مورد بررسی دیگر، عمیق­تر شدن لایه­های یادگیری عمیق است. تعداد این لایه­ها نسبت به مغز چندین برابر گشته است و این مسئله منجر به پیچیدگی و صرف انرژی بیشتر می­شود. اما در مغز با صرف انرژی کمتر می­تواند تشخیص را انجام دهد. بیشینه نرخ بازشناسی مدل پیشنهادی به ۹۳ درصد می­رسد و مدل پایه نزدیک به ۹۱ درصد است. همچنین مدل پیشنهادی تنک تر و نرخ آتش نورون­ها در لایه­های ابتدایی کمتر و پایداری بالایی به تغییرات شدت روشنایی داشته، تفکیک­پذیری در لایه­های مدل بالاتر رفته و توانسته در مواجهه با تصاویر نویزی پاسخ بهتری نشان دهد و افت بازشناسی کمتری را ثبت کند.

کلیدواژه ها:

یادگیری عمیق ، سیستم کانولوشنی ، نرخ بازشناسی ، فیلتر دیفرانسیلی گوسی ، سطح انرژی شبکه ، پراکندگی ، ماتریس تفکیک پذیری مغز