مقاله کانولوشن عمیق

مقاله ای با عنوان “شبکه عصبی کانولوشن عمیق – CNN و طبقه بندی تصاویر بزرگ با تعداد بالا” توسط تیم همیارپروژه نوشته شده است که میتوانید از طریق آن با مبحث کانوولوشن عمیق که از شاخه دیپ لرنینگ است بیشتر آشنا شوید .

 کانولوشن عمیق

این مفاله برای پروژه های دانشگاهی بسیار پرکاربرد است و همچنین می توانید بعنوان یک مقاله صددرصد تضمین شده در همایش های داخلی حوزه هوش مصنوعی از آن استفاده نمایید.

این مقاله از ۴ مقاله علمی بین المللی اقتباس شده است که همگی مربوط به سال ۲۰۱۷  می باشند.

دیپ لرنینگ (deep learning)مبحثی از یادگیری ماشین است که امروزه بر همه الگوریتم ها و روش های دیگر همچون شبکه عصبی ، svm ، درخت تصمیم ، کلاسبندی بیزین و ….. غلبه پیداکرده و بهترین نتایج را ارائه می دهد.

در زیر چکیده این مقاله برای شما قرار داده شده است که برای دریافت همه مطالب مقاله باید آن را خریداری نمایید :

چکیده :

در زمینه  بینایی ماشین و طبقه بندی تصاویر  تا کنون مدل ها و روش های بسیاری معرفی شده است  ،اما به ‏صراحت می توان گفت که الگوریتم ها و ‏مدل های مختلف پژوهش های  مبتنی بر شبکه عصبی[۱] ‏ جای خود را ‏در میان طبقه بندی تصاویر به خوبی باز کرده اند . جدا از ‏کاربرد هایی که این علم در شناسایی الگوها، پردازش ‏تصویر و رویت، هوش مصنوعی، کنترل ربات ها دارد، ابعاد تاثیر گذاری در  زندگی روزمره و دنیای واقعی مثل دامنه ‏های  کشاورزی ، پیش بینی آب و هوا ، علوم پزشکی و ‏مهندسی و راه و غیره داشته است ، دقت الگوریتم و ‏مسیر اجرایی در تشخیص و طبقه بندی بسیار مهم ‏است .هدف اصلی این معماری ها این است که مدلی شبیه ‏به سیستم داخلی مغز انسان براي تجزیه و تحلیل سیستم هاي مختلف بر اساس تجربه ‏ ارائه دهند ، از این رو غایت ‏نهایی این الگوریتم ها این است که بتوان در شبکه های مصنوعی طوری مسیر آموزش برای یادگیری عمیق[۲] ‏ را ‏طی کرد تاشبکه تشخیصی نزدیک ‏مغز انسان داشته باشد ، این خود جنبه دیگری از معماری هایی است که می ‏خواهیم در اینجا به آنها نفوذ کرده و بدانیم الگوریتم چقدر می تواند شبیه به مغز انسان عمل کند و تصاویر را ‏تشخیص دهد؟  این همان مبحث دقت الگوریتم است.  ‏ثابت شده است از بین انواع شبکه های عصبی، شبکه ‏های عصبی کانولشنال ‏ (CNN) [3] ‎معمولا دقت خوبی را در طبقه بندی تصاویر ارائه می کنند . یکی از ایراداتی که میتوان به شبکه های عصبی عمیق وارد کرد این است که عمق بالا می تواند باعث افزایش هزینه محاسباتی در عملکرد تشخیص و طبقه بندی تصویر شود . به همین ‏ در ‏این مطالعه به بررسی معماری می پردازیم که از مدلی با چندین واحد GPU کمک میگیرد .

کلمات کلیدی: طبقه بندی ، تشخیص ، تصاویر ، شبکه های عصبی ، کانولوشن ، کانولوشنال ، ‏شبکه های عصبی عمیق، ‏CNN‏ ‏، هوش مصنوعی

[۱] Neural network[2] – deep learning[3] –convolutional neural network

جهت دانلود این مقاله میتوانید از طریق سبد خرید زیر اقدام نمایید.