استفاده از مکانیزم توجه مبتنی بر کانال با استفاده از روش میانگین تعمیمی به منظور دسته بندی داده ی ابر نقطه

سال انتشار: 1399
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,371

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ISCELEC04_032

تاریخ نمایه سازی: 27 مرداد 1399

چکیده مقاله:

طی یک دهه ی گذشته یادگیری عمیق به موفقیت های چشمگیری در زمینه ی پردازش و درک داده های دو بعدی دستپیدا کرده است و به گزینه ای برتر برای کارهایی نظیر طبقه بندی، تقسیم بندی، تشخیص و ... تبدیل شده است. به همینمنظور در حوزه سه بعدی نیز با استفاده از داده های غنی موجود شروع به استفاده شده است. در حالیکه به دلیل ماهیتهندسی پیچیده ی اشیاء سه بعدی و تغییرات ساختاری بزرگ ناشیء از بازنمایی های مختلف سه بعدی، این امر ساده نبودهو چالش های بسیاری با خود همراه دارد. یکی از انواع بازنمایی های مهم داده ی سه بعدی، نمایش ابرنقطه است. ابرنقطهمجموعه ای از نقاط بدون مرتبه با پراکندگی متفاوت در فضای اقلیدسی سه بعدی است. این داده برخلاف سایر بازنمایی هانظیر واکسل از پیچیدگی و هزینه ی محاسباتی کمتری برخوردار است و نزدیکترین نوع داده به داده ی خام دریافتی ازدستگاه های ضبط داده ی سه بعدی نظیر لیدار، دوربین های عمق و رادار است. همچنین افزایش کاربرد عملی در زمینه هایروباتیک، اتومبیل خودران، هواپیماهای بدون سرنشین و واقعیت مجازی سبب محبوبیت این نوع بازنمایی از داده ی سه بعدیشده است. در این مقاله به منظور طبقه بندی داده های سه بعدی از شبکه ای با پردازش مستقیم روی بازنمایی ابرنقطه ای ازداده ی سه بعدی استفاده شده است. به منظور بهبود این شبکه استفاده از مکانیزم توجه مبتنی بر کانال تک سطحی را مطرحکردیم که درآن به منظور جمع آوری ویژگی های جهانی، استفاده از میانگین تعمیم یافته پیشنهاد می شود. برای این منظورماژول توجه ای در فضای سه بعدی متناسب با ساختار داده ی ابرنقطه و چالش های موجود برای پردازش آن طراحی گشته کهویژگی های غنی را از ورودی با روش پیشنهادی استخراج می کند تا امضای جهانی بدست آمده از کل شکل حاوی اطلاعاتبهتر و مفیدتری باشد. برای ارزیابی عملکرد شبکه از مجموعه داده ی معروف در امر طبقه بندی داده ی سه بعدی به اسم modelnet40 استفاده شد و به دقت کل %89.26 و میانگین دقت 86.58% تنها با حضور یک شبکه تبدیل مکانی در ورودی رسیدیم. بنابراین حجم محاسبات و زمان آموزش در مقایسه با معماری پایه با دوشبکه تبدیل مکانی بسیار کاهش یافت.

کلیدواژه ها:

یادگیری عمیق ، طبقه بندی داده ی سه بعدی ، ابرنقطه ، مکانیزم توجه مبتنی برکانال

نویسندگان

سحر احمدی سهرویه

دانشجوی کارشناسی ارشد مهندسی برق، دانشگاه علم وصنعت ایران، تهران

ستار میرزاکوچکی

دانشیار مهندسی برق، دانشگاه علم وصنعت ایران، تهران