معماری شبکه های عصبی کانولوشن

در چند سال اخیر، الگوی محاسباتی یادگیری عمیق (DL) به عنوان استاندارد طلایی در جامعه یادگیری ماشین (ML) در نظر گرفته شده است. نام دیگر DL یادگیری بازنمایی (RL) است . ادامه ظهور مطالعات جدید در زمینه های یادگیری عمیق و توزیع شده هم به دلیل رشد غیرقابل پیش بینی در توانایی به دست آوردن داده ها و هم پیشرفت شگفت انگیز در فن آوری های سخت افزاری است، به عنوان مثال محاسبات با عملکرد بالا (HPC) .در این مقاله شبکه های عصبی کانولوشنال (CNN) ارائه میشود که بیشترین استفاده را از نوع شبکه DL دارند و توسعه معماری های CNN همراه با ویژگی های اصلی آنها توصیف می شود. شبکه های عصبی کانولوشن (CNN) قدرتمندترین ابزار برای کارهای بینایی رایانه ای سطح بالا، از جمله تشخیص شی، طبقه بندی تصویر و تقسیم بندی معنایی است. در این راستا، CNN به طور گسترده ای در زمینه پردازش تصویر استفاده می شود. CNN با استفاده از فرآیندهای بیولوژیکی الهام گرفته شده است، مانند مغز انسان میتواند با کمک مشاهدات قبلی بین اشیا مختلف فقط با تجسم تشخیص دهد. از این پدیده می توان به طور گسترده ای در پردازش تصویر زیست پزشکی، برای طبقه بندی تصاویر مختلف و تشخیص بیماری استفاده کرد. این امر به یک مجموعه داده بزرگ برای آموزش سیستم CNN برای طبقه بندی صحیح تصویر نیاز دارد. CNN ها از سه نوع لایه تشکیل شده اند. اینها لایه های کانولوشن، لایه های ادغام و لایه های کاملا متصل هستند. هنگامی که این لایه ها روی هم قرار می گیرند، یک معماری CNN شکل گرفته است.

Keywords:

یادگیری عمیق , شبکه عصبی کانولوشن , ReLU