دوره 20، شماره 3 - ( 10-1402 )                   جلد 20 شماره 3 صفحات 140-127 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

derogarmoghadam A, Karami Molaei M R, Hassanzadeh M. Design of a filter bank-based convolutional neural network for handwritten digit images classification. JSDP 2023; 20 (3) : 9
URL: http://jsdp.rcisp.ac.ir/article-1-1320-fa.html
دروگرمقدم علی، کرمی ملایی محمدرضا، حسن زاده محمدرضا. طراحی یک شبکه عصبی کانولوشنال مبتنی بر بانک فیلتر برای طبقه بندی تصاویر اعداد دست نویس. پردازش علائم و داده‌ها. 1402; 20 (3) :127-140

URL: http://jsdp.rcisp.ac.ir/article-1-1320-fa.html


دانشگاه صنعتی نوشیروانی بابل
چکیده:   (244 مشاهده)

در سال­های اخیر شبکه­های عصبی کانولوشنال به طور فزاینده­ای در کاربردهای مختلف بینایی ماشین و به ویژه در شناسایی و طبقه­بندی خودکار تصاویر مورد استفاده قرار گرفته­اند. این نوع از شبکه­های عصبی مصنوعی با شبیه­سازی عملکرد قشر بینایی مغز قدرتمندترین ساختار را در تجزیه و تحلیل داده­های بصری دارند. اما تنوع تصاویر دیجیتال و گوناگونی محتوی و ویژگی­های آن­ها ایجاب می­کند تا برای دستیابی به کارایی بالاتر در هر مسئله­ی طبقه­بندی، شبکه­های کانولوشنال به صورت اختصاصی طراحی و پارامترهای آن­ها به دقت تنظیم شوند. در این راستا، در پژوهش حاضر ضرایبی بهینه برای فیلترهای لایه­ی کانولوشن در شروع آموزش شبکه بکار رفته تا از این طریق دقت طبقه­بندی در شبکه افزایش و زمان آموزش کاهش یابد. این کار با طراحی و بکارگیری مجموعه­ای از فیلترهای تخصصی برای لایه­ی کانولوشن در قالب یک بانک فیلتر و جایگذاری آن­ها به جای فیلترهای تصادفی انجام پذیرفته و بر روی پایگاه داده­ی تصاویر اعداد دست­نویس MNIST ارزیابی شده است. آزمایشات ما بر روی شبکه­ی کانولوشنال تک لایه با سه نوع فیلترگذاری (فیلترهای عدد ثابت، عدد تصادفی و بانک فیلتر) میانگین دقت طبقه­بندی تصاویر اعداد دست­نویس MNIST را در 50 بار آموزش شبکه به ترتیب 94/74، 47/86 و 89/91 درصد و برای شبکه­ی کانولوشنال سه لایه به ترتیب 82/88، 16/96 و 14/99 درصد نشان دادند. این نتایج نشان می­دهند که فیلترهای بکار رفته در مدل پیشنهادی در مقایسه با فیلترهای تصادفی ویژگی­های موثرتری از تصاویر را استخراج نموده و با شروع آموزش شبکه از نقطه­­ی مناسبتر، بدون افزایش هزینه­ی محاسباتی دقت طبقه­بندی را افزایش داده­اند. بنابراین می­توان نتیجه گرفت که ضرایب اولیه­ی فیلترهای لایه­ی کانولوشن بر دقت طبقه­بندی شبکه­های کانولوشنال موثر است و با بکارگیری فیلترهای موثرتر در لایه­­ی کانولوشن می­توان این شبکه­ها را خاص مسئله ساخته و از این طریق کارآیی شبکه را افزایش داد.      
 

شماره‌ی مقاله: 9
متن کامل [PDF 845 kb]   (63 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات پردازش تصویر
دریافت: 1401/4/7 | پذیرش: 1402/4/27 | انتشار: 1402/10/24 | انتشار الکترونیک: 1402/10/24

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.