بهبود ساختار الگوریتم یادگیری عمیق در پردازش تصویر باالهام از ماتریس تفکیک پذیری مغز
سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 289
فایل این مقاله در 20 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JIPET-11-44_005
تاریخ نمایه سازی: 20 تیر 1400
چکیده مقاله:
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
نویسندگان
زهرا حیدران داروقه امنیه
گروه برق، دانشکده فنی و مهندسی، واحد ساوه، دانشگاه آزاد اسلامی، ساوه، ایران
سیدمحمد جلال رستگار فاطمی
گروه برق، دانشکده فنی و مهندسی، واحد ساوه، دانشگاه آزاد اسلامی، ساوه، ایران
مریم رستگارپور
گروه کامپیوتر، دانشکده فنی و ممهندسی، واحد ساوه، دانشگاه آزاد اسلامی، ساوه، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :