تحقیق اصلاحاتی بر شبکه های کانولوشن

توضیحات

تحقیق اصلاحاتی بر شبکه های کانولوشن

چکیده:

شبکه های عصبی کانولوشنی[1] یا CNN ابزاری بسیار قدرتمند برای حل مسائل کامپیوتری و مسائل یادگیری ماشین و بینایی ماشین است. شبکه های کانولوشن در طی سال ها پیشرفت زیادی در زمینه بینایی ماشین داشته اند. در تمامی الگوریتم های شناسایی آماری الگو کاربرد دارد اما به طور خاص در موارد زیر بیشترین کاربرد را دارد:

• انواع پردازش تصویر
• انواع پردازش صوت
• انواع پردازش ویدیو
• پیش بینی سری های زمانی

پارامترهای لایه کانولوشن شامل مجموعه ای از فیلترهای قابل یادگیری هستند. هر فیلتر از لحاظ مکانی کوچک بوده اما در امتداد عمق توده ورودی ادامه پیدا می­کند.

بر خلاف انسان که می­تواند تصاویر را در هر حوزه ای دسته بندی کند یا اینکه تشخیص اشیا در هر تصویری یا هر الگویی در هر تصویری را می­تواند کشف کند این امکان در شبکه های کانولوشن وجود ندارد و مهم ترین مشکل این شبکه ها در حوزه پردازش تصویر در این است که برای تشخیص الگو زمانی با مشکل مواجه می­شوند که نمونه ها یادگیری از نمونه های تست متفاوت باشند.

در حوزه پردازش تصویر شبکه های کانولوشن دارای مشکلاتی هستند که از جمله این مشکلات به یادگیری آنها در هر حوزه و بالا بردن کارایی و کمتر شدن پیچیدگی و کمتر مصرف کردن حافظه می­توان اشاره کرد. برای هر یک از این مشکلات راهکارهایی پیشنهاد شده است.

برای این مشکل روشی برای طراحی هسته ارائه می­شود که جدید است. با استفاده از تغییر شکل هسته می­توان اشیا را به راحتی در تصویر تشخیص داد و یا برای حذف قسمتی از تصویر با خطای کمتر اقدام کرد. در تمامی کارهای انجام شده فعلی شکل هسته را ثابت در نظر می­گرفته اند و معمولا به صورت چهارضلعی بوده است ولی با افزایش تعداد لبه های هسته می­توان دقت را در تصاویر بالا برد و تصاویر را با جزییات بیشتر انتخاب کرد. حتی می­توان هسته هایی با اشکال متفاوت انتخاب کرد و از تجمیع آنها یک شکل هسته متفاوت را ایجاد کرد.

این کار مزایای زیر را دارد:

• در مقایسه با روش های قبلی دارای کارایی طبقه بندی مناسبی است.
• حتی اگر تصویر دارای نویز باشد می­توان ویژگیهایی از تصویر را استخراج کرد که در مقایسه با روش های دیگر دارای خطای کمتری بوده و دقت و کارایی بالاتری دارد.

…

فهرست مطالب تحقیق اصلاحاتی بر شبکه های کانولوشن

• فصل اول: مقدمه. 7
• 1-1-مقدمه: 7
• 1-2-بیان مسئله: 8
• 1-3-مروری بر کارهای مرتبط: 9
• 1-4-راه حل پیشنهادی: 9
• 1-5-ساختار گزارش: 10
• فصل دوم: مرور تاریخچه. 10
• 2-1-مقدمه: 10
• 2-2-شبکه های کانولوشن: 11
• 2-2-کارهای گذشتگان: 17
• فصل سوم: انواع روش های استفاده شده در طبقه بندی تصویر با استفاده از شبکه های کانولوشن.. 20
• 3-1-مقدمه: 20
• 3-2-استفاده از مدل ریاضی برای شبکه های کانولوشن: 20
• 3-3-استفاده از فیلتر ها برای طبقه بندی بافت ها در تصاویر در شبکه های عصبی کانولوشن: 23
• 3-4-استفاده از گراف در شبکه های کانولوشن: 26
• 3-5-روش CNNVis: 27
• 3-5-پیش بینی ساختار پروتئین: 28
• فصل چهارم: روش پیشنهادی.. 30
• 4-1-مقدمه: 30
• 4-2-روش پیشنهادی: 31
• 4-2-تجزیه و تحلیل روش پیشنهادی: 33
• فصل پنجم: نتیجه گیری.. 37
• نتیجه گیری: 37

منابع تحقیق اصلاحاتی بر شبکه های کانولوشن

[1] WenlingShang, KihyukSohn, DiogoAlmeida, HonglakLee,” Understanding and Improving Convolutional Neural Networks via Concatenated Rectified Linear Unit”, Proceedings of the 33rd International Conference on Machine Learning, New York, NY, USA, 2016. JMLR: W&CP volume 48. Copyright 2016 by the author(s).

[2] Akosua Busia†,∗ and Navdeep Jaitly,” Next-Step Conditioned Deep Convolutional Neural Networks Improve Protein Secondary Structure Prediction”,2017

[3] I.    Theodorakopoulos,     V.        Pothos, D.        Kastaniotis      and      N.        Fragoulis1,Irida           Labs            S.A,” Parsimonious     Inference         on Convolutional        Neural Networks:       Learning          and            applying          on-line kernel  activation rules”,2017

[4] AlexLamb, Anirudh Goyal,Ying Zhang ,Saizheng Zhang ,Aaron Courville ,YoshuaBengio,” ProfessorForcing: A new Algorithm for Training Recurrent Networks, 29th Conference on Neural Information Processing Systems (NIPS 2016), Barcelona, Spain

[5] Mengchen Liu, Jiaxin Shi, Zhen Li, Chongxuan Li, Jun Zhu, Shixia Liu,’ Towards Better Analysis of Deep Convolutional Neural Networks”,2016

[6] WenlingShang, KihyukSohn,DiogoAlmeida,”Understanding and Improving Convolutional Neural Networks via Concatenated Rectified Linear Units”,2016

[7]babak saleh, ahmed elgammal, Jacob Feldman,”The Role of Typicality in Object Classification: Improving The Generalization Capacity of Convolutional Neural Network”,2016

[8] V. Andrearczyk  , Paul F. Whelan,”

 

[11] Sangwook Kim, Swathi Kavuri, and Minho Le,” Deep Network with Support Vector Machines”, M. Lee et al. (Eds.): ICONIP 2013, Part I, LNCS 8226, pp. 458–465, 2013

[12] Yichuan Tang,” Deep Learning using Linear Support Vector Machines”, International Conference on Machine Learning 2013: Challenges in Representation Learning Workshop. Atlanta, Georgia, USA

[13] https://www.tanoco.ir/datamining /

توجه:

تحقیق اصلاحاتی بر شبکه های کانولوشن شامل یک فایل ورد 35 صفحه ای می باشد.

لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.

سفارش تحقیق

به منظور سفارش تحقیق مرتبط با رشته تخصصی خود بر روی کلید زیر کلیک نمایید.

سفارش تحقیق