یک مدل سلسله مراتبی برای دسته‌بندی تصاویر طبیعی بر مبنای کاهش افزونگی

در این مقاله که به ماری چند لایه برمبنای شبکه‌های کانولوشتی به منظور دسته‌بندی تصاویر طبیعی ارائه شده است. در این معماری از فیلترهایی به منظور استخراج ویژگی استفاده می‌شود که با استفاده از توزیع‌های متقارن Lp - تودرتو و با هدف کاهش افزونگی در تصاویر طبیعی به دست آمده‌اند. این توزیع ها ، مدلی ترمیم یافته از توزیع های متقارن کروی و Lp - کروی هستند که سینما موفقیت در زمینه‌های مدلسازی تصاویر طبیعی مورد استفاده قرار گرفته‌اند. ما پر کردن این مدل به داده‌ها تنها نیازمند تخمین توزیع شعاعی تک متغیره است که به صورت کارآمد و مقام انجام پذیرایت. آزمایش‌های متعددی بر روی پایگاه داده‌های مختلفی متشکل از تصاویر طبیعی و غیرطبیعی و همچنین مجموعه داده‌های 15 صحنه انجام شده است. نتایج این آزمایش‌ها نشان می‌دهد که یادگیری این فیلتر ها به دلیل افزونگی موجود در تصاویر طبیعی، سریع‌تر و کارآمدتر از تصاویر غیرطبیعی صورت می‌پذیرد. نتایج دسته‌بندی روش ارائه شده در 10 دسته از کسانی که طبیعی نشان می‌دهد جلسه ارائه شده در دست مردی تصاویر طبیعی به خوبی عمل می‌کند.

کلیدواژه ها:

نوزیع های متقارن Lp - تودرتو ، مدل سازی تصاویر طبیعی ، کاهش افزونگی ، شبکه‌های کانولوشتی ، دسته بندی تصاویر طبیعی ، توصیه‌های متقارن کروی و Lp - کروی