بهبود کارایی شبکه های عصبی کانولوشنی در مسائل دسته بندی تصویر با استفاده از ادغام بین نقشه ای

در سالهای اخیر توجه زیادی به شبکه های عصبی کانولوشنی شده است. به ویژه در زمینه ی دسته بندی تصاویر طبیعی که این شبکه ها دراین زمینه بسیار موفق عمل کرده اند. ایده ی اولیه ی شبکه های عصبی کانولوشنی از نحوهی عملکرد سلول های قشر بینایی مغز الهام گرفتهشده است. با این حال، برخی از عملکردهای این شبکه ها، مانند عمل ادغام مکانی، به شکلی سطحی از سلول های مغز الگوبرداری شده اند.در این ادغام های ویژگی، تنها ویژگی هایی که یکسان هستند و در یک نقشه ی ویژگی قرار دارند با یکدیگر ادغام می شوند. حال آنکه سلول هایپیچیده ی قشر بینایی، ویژگی هایی که دقیقا از یک نوع نیستند را نیز با یکدیگر ادغام می کنند. در این مقاله، ما مدلی را پیشنهاد می کنیمکه در آن با استفاده از آمارگان تصاویر طبیعی، نحوهی ادغام بین نقشه های ویژگی مختلف از روی داده ها یاد گرفته شوند. آزمایش ها بر رویمجموعه دادگان استاندارد CIFAR-100، CIFAR-10 و COIL-100 کارایی این روش را نشان می دهند. به خصوص آزمایش مدل بر رویدادگان COIL-100 نشان می دهد که روش ارائه شده در برابر چرخش مقاومت بیشتری نسبت به دیگر روش ها دارد.

کلیدواژه ها:

شبکه های عصبی کانولوشنی ، دسته بندی تصاویر ، یادگیری عمیق ، یادگیری ویژگی ، ادغام ویژگی