افزایش دقت شبکه های عصبی کانولوشنی مبتنی بر مدل چهار-جریان با فیلترهای پردازش تصویر و نگاشت خطی ساز فضای عدم تشابه

در سال های اخیر با گسترش و موفقیت شبکه های کانولوشنی، موضوع یادگیری عمیق بیش از پیش مورد توجه قرار گرفته است. از آنجا که شبکه های کانولوشنی شامل لایه­های زیادی هستند، یادگیری بهینه لایه های شبکه از اهمیت بالایی برخوردار است. در این مقاله، مدل جدیدی به نام چهار-جریان، با هدف کمک به خطی­کردن فضای داده از طریق تبدیل عدم تشابه بازنمایی ارائه و تاثیر این تبدیل روی طبقه­بندهای استاندارد برای داده­های مصنوعی و تصاویر سیفار-۱۰ بررسی و دو مدل مبتنی بر پیش­پردازش داده با تبدیل عدم تشابه بازنمایی و فیلترهای سوبل و آشکارساز لبه تحلیل شده است. مدل چهار-جریان به دلیل بالا رفتن تعداد پارامترهای مدل و به تبع آن ظرفیت شبکه میزان ۲/۳ درصد افزایش دقت داشته است و اضافه نمودن بازنمایی عدم تشابه در جایی­که طبقه­بند نتواند با ویژگی­های اصلی، تفکیک­پذیری بالایی انجام دهد، می­تواند تا حدودی با افزودن ویژگی­های خطی به تفکیک­پذیری کلاس­ها کمک کند.

Keywords:

سیستم کانولوشنی , فضای برداری عدم تشابه , ماتریس عدم تشابه بازنمایی , مرجع , یادگیری عمیق