ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

طبقه بندی تصاویر ثبت شده از راه دور با استفاده از الگوریتم یادگیری عمیق CNN

سال انتشار: 1397
کد COI مقاله: SETCO01_033
زبان مقاله: فارسیمشاهد این مقاله: 888
فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 16 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله طبقه بندی تصاویر ثبت شده از راه دور با استفاده از الگوریتم یادگیری عمیق CNN

صفا منافی بجوشین - دانشجوی کارشناسی ناپیوسته مهندسی تکنولوژی نرم افزار، موسسه آموزش عالی فاران مهر دانش

چکیده مقاله:

امروزه الگوریتم ها و مدل های مختلف پژوهش های مبتنی بر شبکه عصبی، جای خود را در میان طبقه بندی تصاویر به خوبیباز کرده اند. هدف اصلی این الگوریتم ها این است که در شبکه های مصنوعی، ماشین به شکلی آمووزش ببینود کوه در نهایوتتشخیصی نزدیک مغز انسان داشته باشد. از بین انواع شبکه های عصبی، شبکه های عصبی کانالوشون ( CNN ) معمولا دقتخوبی را در طبقه بندی تصاویر ارایه می کنند. در این مقاله، بهره گیری از یادگیری عمیق در سنجش از راه دور را توسط سهاستراتژی متفاوت ارزیابی و آنالیز می کنیم. در بسیاری از برنامه های کاربردی، مخصوصا برنامه های سنجش از راه دور، به علتهزینه های محاسباتی با و نیاز به مقادیر بالای داده های برچسب دار، امکان طراحی و آموزش شبکه های عصبی کانالوشنجدید وجود ندارد. آزمایش های این تحقیق با بهره بردن از مجموعه داده سنجش از راه دور و همچنین شبکه های عصبیکانالشن معروف ( fine-tunned )، صورت می گیرد. نتایج نشان می دهد که شبکه های عصبی کانالوشن به خوبی تنظیمشده، دارای بهترین عملکرد در بین استراتژی ها می باشند. در حقیقت استفاده از ویژگی های شبکه های عصبی کانالوشن بهخوبی تنمیم شده با Linear SVM بهترین نتیحه را می دهد. در حقیقت، با استفاده همزمان از ویژگی های شبکه هایعصبی کانالوشن به خوبی تنظیم شده به همراه SVM های خطی تنظیم شده، بهترین نتیجه به دست می آید. هدف اصلیاین مقاله ارزیابی استراتژی های مناسب برای بهره برداری بیشتر از توانایی های یادگیری عمیق جهت طبقه بندی صحنه هایتصویری ماهواره ای و سنجش از راه دور است.

کلیدواژه ها:

یادگیری عمیق، شبکه های عصبی کانالوشن، به خوبی تنمیم شده، سنجش از راه دور

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/783803/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
منافی بجوشین، صفا،1397،طبقه بندی تصاویر ثبت شده از راه دور با استفاده از الگوریتم یادگیری عمیق CNN،کنگره ملی سالانه ایده های نوین پژوهشی در علوم مهندسی و تکنولوژی، برق و کامپیوتر،ساری،،،https://civilica.com/doc/783803

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1397، منافی بجوشین، صفا؛ )
برای بار دوم به بعد: (1397، منافی بجوشین؛ )
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: موسسه غیرانتفاعی
تعداد مقالات: 144
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مقالات پیشنهادی مرتبط

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی