بررسی و مقایسه الگوریتم های SVM و CNN در شناسایی تصاویر آب و هوایی

طبقه بندی تصاویر یکی از چالش های مهم در زمینه بینایی ماشین و یادگیری ماشین محسوب می شود. این مطالعه به بررسی و مقایسه دو الگوریتم معروف در این حوزه، یعنی ماشین های بردار پشتیبان (SVM) و شبکه های عصبی پیچشی (CNN)، می پردازد. شبکه های عصبی پیچشی (CNN) به طور تخصصی برای پردازش و تحلیل داده های تصویری طراحی شده اند. این الگوریتم ها با استفاده از لایه های مختلف کانولوشن، قادر به شناسایی الگوهای پیچیده در تصاویر هستند. به همین دلیل، آن ها کاربرد فراوانی در زمینه های مانند شناسایی اشیاء، تشخیص چهره و طبقه بندی انواع تصاویر دارند. در مقابل، ماشین های بردار پشتیبان (SVM) یک الگوریتم یادگیری نظارتی است که معمولا برای طبقه بندی داده ها استفاده می شود. این الگوریتم مناسب داده های با ابعاد بالا و همچنین می تواند نویز را کاهش دهد. SVM به طور موثری در مسائل طبقه بندی متنی، شناسایی بیماری ها، مشکلات ترافیکی و سایر مسائل یادگیری ماشین کاربرد دارد. به طور خلاصه، در حالی که CNN ها به طور خاص برای پردازش تصویر و بینایی ماشین طراحی شده اند، SVM در زمینه های مختلفی از طبقه بندی کاربرد دارد. هدف ما در این مطالعه، معرفی هر دو الگوریتم در حوزه تشخیص تصاویر آب و هوایی و به اشتراک گذاری نتایج بهینه با استفاده از هر دو روش است.

کلیدواژه ها:

یادگیری ماشین ، یادگیری با نظارت ، شبکه های عصبی پیچشی ، پردازش تصویر