یادگیری عمیق در مقایسه با رویکرد سنتی در ادراک بافت و طبقه بندی تصاویر

ادراک بافت یکی از اولین گام هایی است که در شناخت و تفسیر سطوح مختلف نقش دارد. مغز انسان به طور خودکار طبقه بندی بافت را به روشی بسیار دقیق انجام می دهد و این کار برای تمایز بین اشیاء مختلف و درک نوع جنس شیء ضروری است. بافت یک ویژگی معنادار است زیرا اطلاعاتی را در مورد آرایش ساختاری سطوح و ویژگی های مرتبط با همگنی آن ارائه می دهد. در حوزه پردازش و طبقه بندی تصاویر، بسیاری از محققان بر روی تصاویر دارای بافت متمرکز شده اند و الگوریتم های مختلفی برای تجزیه و تحلیل بافت و تمایز آنها ارائه شده است. الگوریتم های یادگیری عمیق با حصول نتایج کارآمد در پژوهشهای مختلف بینایی ماشین، مورد توجه جامعه پژوهشی قرار گرفته است و برخلاف رویکردهای سنتی که ورودی سیستم طبقه بندی توسط ویژگی های دست ساز تغذیه می شوند و پیش بینی با استفاده از یک الگوریتم یادگیری ماشین انجام می شود، در تکنیک های یادگیری عمیق، به عنوان ورودی برای سیستم طبقه بندی، تصاویر خام وارد می شوند و این تکنیک ها می توانند مرتبط ترین ویژگی ها را به صورت خودکار و به صورت سلسله مراتبی استخراج نموده و یاد بگیرند. ویژگی ها از طریق چندین لایه در یک فرآیند سلسله مراتبی، از ویژگی های عمومی تا موارد سطح بالا، استخراج می شوند. در این مقاله با انجام یک مطالعه تطبیقی بین روش های سنتی یادگیری ماشین مبتنی بر استخراج ویژگی ها و الگوریتم های یادگیری عمیق مبتنی بر شبکه های عصبی کانولوشنی به ادراک بافت پرداخته شده است و نتایج آن با بررسی دقت طبقه بندی تصاویر ارائه شده است.

کلیدواژه ها:

بافت ، طبقه بندی تصاویر ، استخراج ویژگی ها ، یادگیری ماشین ، یادگیری عمیق