ارائه روشی مبتنی بریادگیری عمیق در پردازش تصویر
Proposing method of deep learning in image processing
ارائه روشی مبتنی بریادگیری عمیق در پردازش تصویر – کارشناسی ارشد
دریافت بخشی از فایل
مقدمه: یکی از مهمترین ابزارهایی که برای پردازش تصاویر استفاده می‌شود، طبقه‌بندی تصاویر است. در این ابزار، دقت طبقه‌بندی و همچنین سرعت اجرای الگوریتم‌ها اهمیت بسیار بالایی دارد. از میان روش‌هایی که برای طبقه‌بندی تصاویر استفاده می‌شود، روش‌های مبتنی بر یادگیری عمیق اخیرا بسیار مورد توجه قرار گرفته‌اند. در واقع یادگیری عمیق از جدیدترین مباحث شاخه یادگیری ماشین است که طی چند سال اخیر با ورود به دنیای هوش مصنوعی باعث خارج شدن بسیاری از روش‌های کلاسیک از مبحث یادگیری ماشین شده است. یادگیری عمیق از آن جهت گوی سبقت را از بسیاری از روش‌های پیشین ربوده است که دقت بالایی در محاسبات و نزدیک شدن به نتیجه مطلوب دارد. در بین کاربردهای بی‌شمار یادگیری عمیق، روش‌های پردازش تصویر بسیار مورد توجه محققین قرار گرفته‌اند. زیرا روش‌هایی همچون کانولوشن روی تصاویر بسیار عملکرد خوبی داشته‌اند. هدف:هدف از انجام پژوهش حاضر، ارائه یک روش مبتنی بر یادگیری عمیق در پردازش تصویر می‌باشد. روش‌شناسی:در این پژوهش، یک روش طبقه‌بندی بر پایه یادگیری عمیق برای تصاویر یک مجموعه داده محک مربوط به پوشاک ارائه شده است. روش مورد نظر بارها با پارامترهای مختلف اجرا شده و در نهایت یک معماری مناسب با دقت مطلوب پیشنهاد داده شده است که مدل کانولوشن-پولینگ-Dropout نامیده می‌شود. یافته‌ها:در این پژوهش چهار روش مختلف مبتنی بر معماری‌های یادگیری عمیق جهت طبقه‌بندی تصاویر مجموعه داده FashionMNIST اجرا شد. اولین معماری با روش کاملاً متصل، در مجموع 40 مرتبه تکرار شد و هر بار یکی از پارامترهای شبکه شامل تعداد لایهها، تعداد نورون‌ها، تابع بهینه‌سازی، نرخ یادگیری، تابع فعال‌سازی، تعداد دوره‌ها و تعداد دسته‌ها تغییر کرد. دقت طبقه‌بندی مجموعه آزمون برای تمام اجراها، برابر با یک شد و بهترین اجرا با بیشترین دقت طبقه‌بندی در مجموعه آزمون (0.9106) به‌دست آمد. نتایج: با توجه به نقش لایه‌های پولینگ در معماری‌های مرتبط با کانولوشن، در روش سوم این لایهها به لایه‌های کانولوشن اضافه شدند. از دو اجرای مختلف با معماری ده لایه‌ای نتایج چندان قابل قبولی به‌دست نیامد. با توجه به این که روش کانولوشن پولینگ روش بسیار زمانبر با معماری بسیار پیچیده بود، از روش Dropout در بین لایه‌های کانولوشن و پولینگ استفاده شد. این روش که به‌عنوان چهارمین روش در نظر گرفته می‌شود، با یک معماری 13 لایه‌ای، چهار مرتبه و با نرخ‌های یادگیری مختلف اجرا شد. دقت طبقه‌بندی مجموعه آزمون در این روش 0.919 شد که در مقایسه با سایر روش‌ها و معماری‌های ذکر شده، نتیجه قابل قبولی می‌باشد.
فصل اول:کلیات
1-1 مقدمه 19 1-2 اهمیت موضوع 20 1-3 اهداف پژوهش 22 1-3-1 هدف اصلی 22 1-3-2 اهداف فرعی 22 1-4 ساختار پژوهش 22
فصل دوم: مفاهیم و ادبیات مرتبط با موضوع پژوهش
2-1 مقدمه 25 2-2 مقدمات شبکه‌های عصبی و تعاریف اولیه 25 2-2-1 نورون 26 2-2-2 Bias 27 2-2-3 تابع فعال‌سازی 27 2-2-4 تابع Sigmoid 28 2-2-5 تابع ReLU 29 2-2-6 تابع Softmax 29 2-2-7 لایه‌های ورودی، خروجی و مخفی 30 2-3 شبکه عصبی 31 2-4 شبکه‌های عصبی بازگشتی 31 2-4-1 نورون بازگشتی 31 2-4-2 شبکه‌های عصبی بازگشتی 32 2-5 شبکه‌های عصبی کانولوشن (CNN) 32 2-5-1 فیلترها 34 2-5-2 Pooling 35 2-5-3 لایه‌سازی 35 2-5-4 تقویت داده‌ها 36 2-6 شبکه‌های عصبی کانولوشن 37 2-6-1 لایه کانولوشن 38 2-6-2 لایه‌هایPooling 39 2-6-3 لایه تماماً متصل 41 2-7 معماری شبکه های عصبی کانولوشن 42 2-7-1 AlexNet 43 2-7-2 شبکه‌های عظیم 44 2-7-3 چندین شبکه 45 2-7-4 شبکه‌های متنوع 46 2-8 کاربردهای یادگیری عمیق 47 2-8-1 دسته‌بندی تصاویر 47 2-8-2 تشخیص اشیاء 47 2-8-3 بازیابی تصاویر 49 2-8-4 قطعه‌بندی معنایی 49 2-8-5 برآورد ژست انسانی 50 2-9 جمع‌بندی 51
فصل سوم: مروری بر پژوهش‌های پیشین
3- 1 مقدمه 53 3-2 پژوهش‌های انجام شده در حوزه طبقه‌بندی تصاویر توسط روش‌های یادگیری عمیق 53 3-2-1 پژوهش های داخلی 53 3-2-2پژوهش های خارجی 54 3-3 پژوهش‌های انجام شده در سایر حوزه‌ها توسط روش‌های یادگیری عمیق 57 3-3-1 پژوهش های داخلی 57 3-3-2 پژوهش های خارجی 58 3-4 جمع‌بندی 62
فصل چهارم: روش پیشنهادی
4-1 مقدمه 63 4-2 مجموعه داده 63 4-3 ارائه روش پیشنهادی 64 4-3-1 روش کاملاً متصل 65 4-3-2 روش کانولوشن 70 4-3-3 روش کانولوشن-پولینگ 70 4-3-4 روش کانولوشن- پولینگ Dropout 71 4-4 جمع‌بندی 73
فصل پنجم: ارزیابی و مقایسه روش پیشنهادی
5-1 مقدمه .75 5-2 ارزیابی بهترین روش مورد مطالعه در این پژوهش 75 5-3 نوآوری‌های روش پیشنهادی 78 5-4 مقایسه روش پیشنهادی در این پژوهش با تعدادی از روش‌های قبلی روی مجموعه داده 78 5-5 جمع‌بندی 80
فصل ششم: نتیجه‌گیری و پیشنهادات
6-1 مقدمه 81 6-2 نتیجه‌گیری 81 6-3 پیشنهادات آینده 83 6-3-1 پیشنهادات تئوری پژوهش 83 6-3-2 پیشنهادات کاربردی پژوهش 83 منابع 85
