استادیار گروه بیوتکنولوژی، دانشکده کشاورزی، دانشگاه شیراز، شیراز، ایران

شبکه عصبی پیچشی (CNN) یکی از روش های عمیق یادگیری ماشین است که با توجه به کارایی بالای آن، امروزه استفاده از آن در استخراج ویژگی و دسته بندی تصاویر امر بسیار رایجی شده است. در این مقاله برای آشنایی بیشتر پژوهشگران با این حوزه و نوآوری های مرتبط با این شبکه، ساختار اصلی این شبکه و تعداد ۱۰ معماری مهم و رایج آن مرور شده است. با مطالعه مقالات اصلی ارائه دهنده هر یک از معماری های شبکه پیچشی، نکات مهم و اصلی هر معماری که موجب بهبود عملکرد آن نسبت به موارد پیشین خود شده، جمع آوری و بررسی شده است. علاوه بر آن، مقایسه دقت معماری های مختلف این شبکه بخش دیگری از این مقاله مروری است. با توجه به حجم بالای مطالب در این حوزه و رشد سریع آن، نیاز به یک مرجع که همه مطالب ارائه شده تاکنون را در کنار هم مرور کرده باشد، انگیزه نوشتن این مقاله بوده است. مطالعه ساختارها و تکنیک های استفاده شده برای بهبود این شبکه می تواند به پژوهشگران در ایجاد ساختارهای بهینه تر و دقیق تر کمک کند.

Keywords:

یادگیری عمیق , شبکه عصبی پیچشی )کانولوشنال( , معماریهای CNN( الکس نت , گوگل نت , رزنت(