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
- محل انتشار: فصلنامه روش های هوشمند در صنعت برق، دوره: 16، شماره: 61
- کد COI اختصاصی: JR_JIPET-16-61_001
- زبان مقاله: فارسی
- تعداد مشاهده: 121
نویسندگان
گروه برق- واحد ساوه، دانشگاه آزاد اسلامی، ساوه، ایران
گروه برق- واحد ساوه، دانشگاه آزاد اسلامی، ساوه، ایران
گروه کامپیوتر- واحد ساوه، دانشگاه آزاد اسلامی، ساوه، ایران
گروه کامپیوتر- واحد دولت آباد، دانشگاه آزاد اسلامی، دولت آباد، ایران
چکیده
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
سیستم کانولوشنی, فضای برداری عدم تشابه, ماتریس عدم تشابه بازنمایی, مرجع, یادگیری عمیقاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.