استفاده ازروش هبین درآموزش شبکه کانولوشنی

Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 881

This Paper With 13 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

COMCONF01_401

تاریخ نمایه سازی: 8 آذر 1394

Abstract:

دراین مقاله بااستفاده ازروش هبین جهت اموزش شبکه عصبی کانولوشنی استفاده شده است علاوه برروش هبین با الهام ازسیستم بینایی پستانداران تلاش به تنکسازی وزنهای بدست آ»ده گردید تاحدامکان ازویژگی های مشابه وکم انرژی کاسته شود وزن ها استخراج شده دردوروش ثابت و وزن اولیه مورداستفاده گرفت و بادیگر مدلهای باناظر و بدون ناظر شبکه های عصبی کانولوشنی مقایسه گردید علاوه برمدلهای کانولوشنی نتایج با مدل پرسپترونی چندلایه نیز مقایسه شد دراولین ارزیابی به مقداراندازه دسته بهینه برای هرمدل پرداختیم که مقدار 10 برای شبکه های کانولوشنی و یک برای شبکه ی پرسپترونی بدست آمد درازمایش دوم مقدارنرخ بازشناسی محاسبه گردید که مدل پیشنهادی به فاصله بامدل پایه ضعیف تر عمل کرده بوددرازمایش پایداری مدل را با تصاویر اختشاش یافته جابجا شده و کوچکتر گشته مورد ازمایش قراردادیم که مدل پیشنهادی تنها درمواجهه با تصاویر اختشاش یافته نتیجه بهتری داشت درازمایش نهایی میزان جامعیت سنجیده شد که مدل پایه نتیجه بهتری را ثبت کرد

Authors

حمید گل محمدی

دانشجوی کارشناسی ارشددانشکده مهندسی برق دانشگاه تربیت دبیر شهید رجایی لویزان تهران

رضا ابراهیم پور

دانشکده مهندسی کامپیوتر دانشگاه تربیت دبیر شهید رجایی لویزان تهران

نصور باقری

دانشکده مهندسی برق دانشگاه تربیت دبیر شهید رجایی لویزان تهران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • K. Fukushima, "BiolCyberm8 0 Neo cognitron- ori ginal-Kunihiko -Fukushima- paper.pdf, ...
  • K. Fukushima, "Neocognitron for handwritten digit recognition, " vol. 51, ...
  • T. Serre, L. Wolf, and T. Poggio, "Object Recognition with ...
  • A. Krizhevsky, I. Sutskever, and G. E. Hinton, "ImageNet Classification ...
  • Y. Bengio, Learning Deep Architectures for AI, vol. 2, no. ...
  • Y. Bengio, A. Courville, and P. Vincent, _ Repre sentation ...
  • H. Lee, R. Grosse, R. Ranganath, and A. Y. Ng, ...
  • L. N. Long and S. Member, "An Adaptive Spiking Neural ...
  • J. Ngiam, P. W. Koh, Z. Chen, S. Bhaskar, and ...
  • D. G. Lowe, "Object class recognition and localization using sparse ...
  • نمایش کامل مراجع