توضیحات
شبیه سازی تشخیص هویت فرد با استفاده از شبکه عصبی کانولوشنی و دسته بندی کننده svm با نرم افزار متلب
شبیه سازی تشخیص هویت فرد با استفاده از شبکه عصبی کانولوشنی و دسته بندی کننده svm (قسمت استخراج ویژگی با شبکه عصبی کانولوشنی و قسمت نهایی با دسته بندی کننده svm)
توضیحات:
در این برنامه متلب برای استخراج ویژگی‌های تصاویر از یک شبکه عصبی کانولوشنی از پیش آموزش‌دیده با نام Alexnet استفاده می‌کنیم. سپس این ویژگی‌های استخراج‌شده را برای آموزش یک طبقه‌بندی کننده ماشین بردار پشتیبان (SVM) به کار می‌بریم تا جنسیت افراد را شناسایی کنیم. در این برنامه از یک پایگاه داده با 400 تصویر زن و مرد استفاده می‌کنیم. 200 تصویر مرد و 200 تصویر زن مورداستفاده قرار می‌گیرد. ابعاد تصاویر 227x277x3 (طول*عرض*تعداد کانال) می‌باشد. این تصاویر در دو فولدر Men و Women قرار دارند. برای بخش آموزش از 70 درصد تصاویر و برای بخش آزمون از 30 درصد تصاویر استفاده می‌کنیم.
شبکه عصبی کانولوشنی (CNN) :
یک شبکه CNN از سه لایه اصلی تشکیل می‌شود که عبارت‌اند از : لایه کانولوشن، لایه pooling و لایه تمام متصل (fully connected)
در شکل زیر معماری کلی یک شبکه عصبی کانولوشنی برای طبقه‌بندی تصاویر نمایش داده شده است.
لایه کانولوشن:
در لایه کانولوشن از فیلترهای مختلف برای convolve کردن با تصویر ورودی و تولید نقشه‌های ویژگی(feature map) میانی استفاده می‌شود.
لایه pooling:
یک لایه pooling معمولا بعد از یک لایه کانولوشنی قرار می‌گیرد و از آن برای کاهش اندازه feature map ها و پارامترهای شبکه استفاده می‌شود.
لایه تمام متصل (fully connected) :
بعد از آخرین لایه pooling، لایه‌های تمام متصل وجود دارند که feature map های دوبعدی را به بردارهای ویژگی (feature vector) یک‌بعدی جهت فرآیند استخراج ویژگی تبدیل می‌کند. لایه تمام متصل این امکان را می‌دهد تا نتیجه شبکه را به‌صورت یک بردار با اندازه مشخص تبدیل کنیم.
شبیه سازی تشخیص هویت فرد با استفاده از شبکه عصبی کانولوشنی و دسته بندی کننده svm با نرم افزار متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده و به تعداد محدودی قابل فروش می باشد.
- فایلهای پروژه به صورت کامل پس از خرید فایل بلافاصله در اختیار شما قرار خواهد گرفت.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.