بهبود شبکه عصبی کانولوشنی براساس الگوریتم فراابتکاری به منظور شناسایی حالات چهره

در این پژوهش یک روش شناسایی چهره بر اساس بهبود شبکه های عصبی کانولوشنی (CNN) ارائه شده است. اساس روشپیشنهادی آن است که به جای استفاده از الگوریتم های بهینه سازی معمول در CNN ها. از روش های جایگزین که دقت مدل راافزایش می دهند بهره ببریم. از آنجایی که اکثر روش های مبتنی بر شبکه های عصبی از یک سری توابع هزینه مشابه استفاده می-کنند، استفاده از الگوریتم های فرا ابتکاری به عنوان تابع هزینه یکی از روش هایی است که می توان در بهبود CNN از آن ها بهرهجست. در این پژوهش، از الگوریتم بهینه سازی ازدحام ذرات (PSO) بهره گرفته شده است تا روند شبکه بر اساس این توابع شکلبگیرد. همچنین برای جلوگیری از قرار گرفتن الگوریتم در مینیمم های محلی، از تعریف قواعد فازی در کنار PSO استفاده شده-است. همجنین از ساختار شبکه ی MobileNet برای قسمت یادگیری عمیق آن استفاده شده است. به منظور ارزیابی عملکردمدل پیشنهادی از یکی از پایگاه های داده ی شناخته شده در زمینه شناسایی حالات چهره به نام FER۲۰۱۳ برای آموزش مدلو همچنین مرحله ی آزمون آن بهره برده ایم. روش پیشنهادی توانست بر چالش های موجود در پایگاه داده ی FER۲۰۱۳ غلبهنموده و به دقت ۸۶ درصدی برسد. لذا با توجه به نتایج به دست آمده می توان روش پیشنهادی را به عنوان مدلی مناسب در اینزمینه مطرح نمود.

کلیدواژه ها:

شناسایی حالات چهره ، بهینه سازی از دحام ذرات ، قوانین فازی ، باد گیری عمیق