تقریب هسته کانولوشنی با استفاده از قضیه بوچنر

تعداد محاسبات زیاد و کارایی پایین بازنمایی داده از مشکلات عمده در روش های هسته است. به دلیل این مشکلات، روش های هسته در مقایسه با مدلهای یادگیری عمیق مانند شبکه های عصبی کانولوشنی (CNN) در مسایل شناسایی بصری از محبوبیت پایینی برخوردار هستند. یکی از مدلهایی که با استفاده از تقریب نگاشت تابع هسته توانسته است دقت و کارایی روش های هسته را بهبود بخشد، مدلی چندلایه به نام شبکه های هسته کانولوشنی (CKN) است.CKN ساختاری مشابه با CNN دارد اما آموزش آن سادهتر است. پارامترهای هر لایه از CKN با تقریب هسته ای به نام هسته کانولوشنی بدست می آید. در این مقاله روشی جدید برای تقریب هسته کانولوشنی با استفاده از قضیه بوچنر ارایه می شود. نشان داده می شود که شبکه هسته کانولوشنی بدست آمده با این تقریب، نسبت به روش اولیه شباهت بیشتری به مدل های CNN دارد. برای یادگیری پارامترهای تقریب، دو روش ارایه می شود. اول، از روش ویژگی های اتفاقی فوریه استفاده می شود که در آن پارامترهای تقریب به شکل مستقل از داده و اتفاقی تعیین میشود و سرعت بسیار بالاتری نسبت به روش اولیه تقریب هسته کانولوشنی دارد. دوم روشی جدید و وابسته به داده با معیار میانگین مربعات خطا ارایه می شود. آزمایش مدل ارایه شده بر روی مجموعه داده هایی از تصاویر نشان می دهد تقریب استفاده شده دقت مدل CKN را بهبود می بخشد.

کلیدواژه ها:

شبکه های هسته کانولوشنی (CKN) ، شبکه های عصبی کانولوشنی (CNN) قضیه بوچنر ، تقریب هسته ، ویژگیهای اتفاقی فوریه ، میانگین مربعات خطا