بررسی و مقایسه شبکه های عصبی کانولوشنی در جداسازی شیء هدف از پس زمینه

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 911

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CITCONF03_271

تاریخ نمایه سازی: 12 تیر 1395

چکیده مقاله:

شبکه های عصبی کانولوشنی یکی از مدلهای بینایی هستند که در حوزه بینایی ماشین مطرح شده و به عملکرد بسیار خوبی در بازشناسی اشیاء رسیده اند. بررسی این شبکه ها و یافتن و برطرف کرد نواقص این شبکه ها به بهبود آنها و دستیابی به یک سیستم ایده آل کمک شایانی خواهد کرد از طرفی بهترین مدل برای ایجاد یک ماشین بینایی قدرتمند سیستم بینایی انسان است هدف از پس زمینه مورد بررسی قرار می گیرند و میزان پیچیدگی این تصاویر بدون پس زمینه و در سطوح پایین پیچیدگی مدلها و اناسن تفاوت چندانی در عملکرد ندارند اما با بیشتر شدن میزان پیچیدگی تصاویر تفاوت انسان و مدلها بیشتر می شود که این افزایش به دلیل عدم وجود استقلال در این شبکه هها نسبت به تغییرات در ورودی است. . شبکه عمیقتر به دلیل اسخراج ویژگی های پیچیده تر در حذف پس زمینه نیز بهتر عمل می کند اما هنوز هم با عملکرد انسان فاصله زیادی دارد.

کلیدواژه ها:

شبکه های عصبی کانوالوشنی ، جداسازی شیء هدف از پس زمینه ، بازشناسی اشیاء ، ماتریس عدم شباهت بازنمایی ، مدلهای محاسباتی بینایی ، پردازش تصاویر پیچیده

نویسندگان

فریبا عباسی

گروه مهندسی برق دانشکده مهندسی برق دانشگاه تربیت دبیر شهید رجایی تهران ایران

رضا ابراهیم پور

گروه مهندسی برق دانشکده مهندسی برق دانشگاه تربیت دبیر شهید رجایی تهران ایر

کریم رجایی

پژوهشگاه دانشهای بنیادی علوم شناختی تهران ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • DiCarlo, J. J., Zoccolan, D., & Rust, N. C. (2012). ...
  • Roelfsema, P. R., Tolboom, M., & Khayat, P. S. (2007). ...
  • _ Rossi, A. F., Desimone, R., & Ungerleider, L. G. ...
  • Roelfsema, P. R., Lamme, V. A., Spekreijse, H., & Bosch, ...
  • Schwabe, L., Obermayer, K., Angelucci, A., & Bressloff, P. C. ...
  • Fukushima, K. (1980). Neocognitron: A self- organizing neural network model ...
  • Hubel, D. H., & Wiesel, T. N. (1959). Receptive fields ...
  • Rolls, Edmund T. "Invariant visual object and face recognition: neural ...
  • Ghodrati, Masoud, Karim Rajaei, and Reza Ebrahimpour. "The importance of ...
  • Rajaei, Karim, et al. "A stable biologically motivated learning mechanism ...
  • LeCun, Y, Bottou, L, Bengio, Y., & Haffner, P. (1998). ...
  • Hinton, G. E., , Srivastava, N., Krizhevsky, A., Sutskever, I., ...
  • Serre, T. (2014). Hierarchical Models of the Visuat System. In ...
  • Cadieu, C. F., Hong, H., Yamins, D. L., Pinto, N., ...
  • Bengio, _ Goodfellow, I. J., & Courville, A. (2015). Deep ...
  • Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet ...
  • Simonyan, Karen, and Andrew Zisserman. "Very deep convolutiont networks for ...
  • Jia, Y., Shelhamer, E., Donahue, J., Karayev, S., Long, J., ...
  • (2014, November). Caffe: Convolutionl architecture for fast feature embedding. In ...
  • Yu, Wei, et al. "Visualizing and Comparing Convolutional Neural Networks." ...
  • Ghodrati, M., Farzmahdi, A., Rajaei, K., Ebrahimpour, R., & Khaligh ...
  • نمایش کامل مراجع