طراحی شبکه عصبی کانولوشن با وزن های موثر با استفاده از الگوریتم ژنتیک برای طبقه بندی تصاویر

شبکه های عصبی کانولوشن مهمترین شاخه یادگیری عمیق هستند و در سال های اخیر، توسعه سریعی را تجربه کرده اند. یک چالش عمده در استفاده از این شبکه ها، تعداد زیاد پارامترهای آن هاست که منجر به هزینه های محاسباتی و زمانی بالا در برنامه های کاربردی دنیای واقعی می شود. در بسیاری از موارد، این افزایش هزینه ها به دلیل طراحی شبکه های عمیق تر با پارامترهای بیشتر برای دستیابی به دقت بالاتر است. مقاله حاضر از الگوریتم های تکاملی برای معرفی روشی استفاده کرده که می تواند بهترین وزن ها را شناسایی کرده و از آنها برای ساخت شبکه های دقیق تر استفاده کند؛ در نتیجه نیاز به شبکه های عمیق تر را از بین می برد. در پایان مقاله، شبکه ی به دست آمده از الگوریتم پیشنهادی با بهترین شبکه های موجود مقایسه شده است که نشان می دهد شبکه ی پیشنهادی دقت طبقه بندی را افزایش داده است؛ در حالی که تعداد پارامترهای آن بسیار کمتر است و در نتیجه، باعث صرفه جویی در منابع محاسباتی و زمان می شود.

Keywords:

شبکه عصبی کانولوشن , الگوریتم ژنتیک , وزن های موثر , طبقه بندی تصاویر