|
Title
|
يك شبكه عصبي كانولوشني مقاوم به نويز براي دسته بندي تصوير
|
|
Type
|
Thesis
|
|
Keywords
|
شبكه عصبي كانولوشني، نويز، دسته بندي تصاوير، ادغام تطبيقي، پيچش تطبيقي.
|
|
Abstract
|
به طور گسترده براي طبقه بندي تصاوير مورد استفاده قرار (CNN) شبكه هاي عصبي كانولوشني
مي تواند عملكرد اين شبكه ها (Impulse Noise) مي گيرند. با اين حال، وجود نويز به ويژه نويز ضربه اي
را به طور قابل توجهي كاهش دهد. در اين پژوهش، يك معماري مقاوم به نويز مبتني بر شبكه عصبي
Median كانولوشني معرفي شده است كه در آن به جاي استفاده از روش هاي پيچيده حذف نويز، از لايه
براي افزايش مقاومت مدل در برابر نويز استفاده شده است. مدل پيشنهادي روي سه پايگاه Pooling
داده شامل تصاوير كفش، ميوه و علائم ترافيكي در سه سناريوي مختلف (داده هاي تميز، داده هاي نويزي و
Median آموزش تميز با تست نويزي) ارزيابي شده است. نتايج آزمايش ها نشان مي دهند كه استفاده از
باعث بهبود چشمگير مقاومت مدل در برابر نويز شده و دقت طبقه بندي تصاوير نويزي را تقريب ً ا Pooling
در سطح داده هاي تميز حفظ كرده است. همچنين، نتايج نشان دادند كه آموزش تنها روي داده هاي تميز
منجر به افت دقت قابل توجه در شرايط نويزي مي شود، در حالي كه آموزش روي داده هاي نويزي همراه
بهترين تعادل بين دقت و مقاومت در برابر نويز را فراهم مي آورد. Median Pooling
|
|
Researchers
|
maryam vakili (Student) , Hossein Hosseinzadeh (First primary advisor) , Ahmad Shirzadi (First primary advisor) , zeinab Sedaghatjoo (Advisor)
|