ارائه یک الگوریتم تشخیص شیء عمیق موازی مبتنی بر شبکه های عصبی تک لایه رو به جلو ترکیبی و تطبیقی

پیشرفت های اخیر در حوزه های علم رایانه و سیستم های هوشمند از جمله توان محاسباتی سیستم ها می باشد.در سیستم های هوشمند یادگیری عمیق از نظر کاربردی برای حوزه های مختلف یادگیری ماشین، بینایی ماشین،پردازش تصویر، پردازش زبان های طبیعی و داده کاوی مطرح می شود. در بین متدهای مطرح شده در یادگیریعمیق، شبکه های کانولوشن به طور گسترده برای کاربردهای مختلفی استفاده می شوند. یکی از مسائل مهمی که بهعنوان چالش در این حوزه مطرح است بحث شناسایی و دسته بندی تصاویر در چند دامنه ی متفاوت است .دسته بندی و تشخیص اشیاء در شرایط متفاوت از نظر ویژگی های تصور مانند رنگ، نور، زاویه و تصویر پس زمینهدارای عملکرد یکسان با نرخ تشخیص بالا نیست. در این مقاله یک روش مبتنی بر مدل های یادگیری عمیق ازپیش آموزش دیده شده در مرحله استخراج ویژگی ارئه شده است. علاوه بر مدل های عمیق سعی در به کار گیریداده ها از چند دامنه متفاوت میباشد به نحوی که سیستم از دادههای متفاوتی در مرحله آموزش و تست استفادهکند. همچنین جهت افزایش مقاومت سیستم از روش شبکه عصبی تک لایه برای مرحله دسته بندی داده های بدونبرچسب در کنار داده های برچسب دار نیز استفاده می شود. در این شبکه عصبی علاوه بر عبارت خطای مرسوم ازعبارات خطای دیگری نیز استفاده میشود که موجب بهبود عملکرد این شبکه در مرحله دسته بندی می شود. هدفاصلی این مقاله ارائه یک الگوریتم تشخیص شیء عمیق موازی مبتنی بر شبکه های عصبی تک لا یه رو به جلوترکیبی و تطبیقی است. نتایج حاصل از این روش با سه مدل عمیق متفاوت با یکدیگر ترکیب شدند تا عملکردکلی سیستم بهبود پیدا کند. نتایج بدست آمده بر روی مجموعه داده های استفاده شده در این مقاله نشان دهندهبهبود بیش از یک درصد در عملکرد دسته بندی شی عمیق دارد.

کلیدواژه ها:

شبکه عصبی تک لایه ، تشخیص شی ، یادگیری عمیق ، تشخیص شی چند دامنه ا ی ، شبکه عصبی کانولوشن