تحلیل مقایسه ای معماری های شبکه های عصبی کانولوشنی برای طبقه بندی تصاویر در مسائل دنیای واقعی

این مقاله یک رویکرد سازنده برای توسعه و ارزیابی راه حل های یادگیری عمیق در کاربردهای حساس دنیای واقعی، شامل تشخیص پزشکی و پایش اکولوژیک ارائه می دهد. این پژوهش با هدف طبقه بندی دقیق تصاویر تومور مغزی و شناسایی گرده در زنبور عسل، به صورت نظام مند عملکرد سه معماری کلیدی شبکه عصبی کانولوشن را مورد سنجش قرار می دهد: یک CNN سفارشی، مدل VGG۱۶ و مدل ResNet۵۰ برای دستیابی به نتایج قابل اعتماد، به ویژه در مواجهه با چالش عدم تعادل داده ها در دیتاست زنبور عسل از استراتژی های پیشرفته ای نظیر نمونه برداری بیش از حد و وزندهی پویا به کلاس ها استفاده شده است. یافته های کلیدی این تحقیق عملکرد موفق و برتر مدل CNN سفارشی است. این مدل با نشان دادن بالاترین توانایی در شناسایی صحیح کلاس اقلیت و حائز اهمیت، دستیابی به بازیابی ۰۶۴ برای کلاس Pollen، کارایی عملی خود را به اثبات رسانده و نشان داده که ارزش آن فراتر از معیارهای ساده ای مانند دقت کلی است. این پژوهش یک بینش ارزشمند در زمینه انتخاب مدل ارائه می دهد و تاکید می کند که برای وظایف تخصصی با داده های نامتعادل، یک معماری بهینه و متناسب با داده، همراه با تمرکز بر معیارهای ارزیابی صحیح مانند بازیابی و امتیاز F۱، مسیری قابل اطمینان تر برای موفقیت نسبت به اتکای صرف به مدل های عمومی و پیچیده فراهم می آورد.

کلیدواژه ها:

شبکه عصبی کانولوشنی ، طبقه بندی تصویر ، عدم تعادل داده ها ، تشخیص تومور پزشکی ، یادگیری عمیق