افزایش دقت شبکه های عصبی کانولوشنی مبتنی بر مدل چهار-جریان با فیلترهای پردازش تصویر و نگاشت خطی ساز فضای عدم تشابه
سال انتشار: 1404
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 68
فایل این مقاله در 29 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JIPET-16-61_001
تاریخ نمایه سازی: 11 دی 1402
چکیده مقاله:
در سال های اخیر با گسترش و موفقیت شبکه های کانولوشنی، موضوع یادگیری عمیق بیش از پیش مورد توجه قرار گرفته است. از آنجا که شبکه های کانولوشنی شامل لایههای زیادی هستند، یادگیری بهینه لایه های شبکه از اهمیت بالایی برخوردار است. در این مقاله، مدل جدیدی به نام چهار-جریان، با هدف کمک به خطیکردن فضای داده از طریق تبدیل عدم تشابه بازنمایی ارائه و تاثیر این تبدیل روی طبقهبندهای استاندارد برای دادههای مصنوعی و تصاویر سیفار-۱۰ بررسی و دو مدل مبتنی بر پیشپردازش داده با تبدیل عدم تشابه بازنمایی و فیلترهای سوبل و آشکارساز لبه تحلیل شده است. مدل چهار-جریان به دلیل بالا رفتن تعداد پارامترهای مدل و به تبع آن ظرفیت شبکه میزان ۲/۳ درصد افزایش دقت داشته است و اضافه نمودن بازنمایی عدم تشابه در جاییکه طبقهبند نتواند با ویژگیهای اصلی، تفکیکپذیری بالایی انجام دهد، میتواند تا حدودی با افزودن ویژگیهای خطی به تفکیکپذیری کلاسها کمک کند.
کلیدواژه ها:
نویسندگان
زهرا حیدران داروقه امنیه
گروه برق- واحد ساوه، دانشگاه آزاد اسلامی، ساوه، ایران
سید محمد جلال رستگار فاطمی
گروه برق- واحد ساوه، دانشگاه آزاد اسلامی، ساوه، ایران
مریم رستگارپور
گروه کامپیوتر- واحد ساوه، دانشگاه آزاد اسلامی، ساوه، ایران
گلناز آقایی قزوینی
گروه کامپیوتر- واحد دولت آباد، دانشگاه آزاد اسلامی، دولت آباد، 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 :