سید محمدرضا خوئی - قطب علمی کنترل و پردازش هوشمند، دانشکده مهندسی برق و کامپیوتر، دانشگ
پدرام عطائی
فریبا بهرامی

در این پژوهش مساله کاهش بعد تصاویر تحت ساختاری سلسله مراتبی و به کمک شبکه های عصبی مورد بررسی قرار گرفته است. در روش ارائه شده، در ابتدا تصاویر به صورت مجموعه ای از همسایگی های مجزا در نظر گرفته می شوند و سپس مجموعه ای از شبکه های ساده ی خود انجمنی (AANN) ایجاد می گردد که هر یک عهده دار کاهش بعد یکی از همسایگی های یاد شده می باشد. در مراحل بعدی، لایه های میانی موجود در شبکه های مجاور- که حاوی نمایش های فشرده بدست آمده در مرحله ی پیشین هستند- خود با یکدیگر پیوند می خورند و از درون آنها با شکل گیری ساختارهای جدید AANN گروه جدید و فشرده تری از نمایش ها ایجاد شود تا آنجا که در مرحله انتهایی، اطلاعات از سراسر تصویر در یکجا فراهم آید. چارچوب ذکر شده برای ایجاد و آموزش ساختار شبکه ای می تواند علاوه بر پایدار نمودن فرایند یادگیری، سبب شود که شبکه به دست آمده واجد ویژگی های مفهومی جالبی گردد که در قالب ساختار معنادار سلسله مراتبی به آن اشاره می گردد. نمایشی که بدین ترتیب در آخر سطح، از تصاویر ورودی ایجاد می شود ارتباط روشن و معقولی را با آمچه حقیقتا در تصویر جریان دارد، نشان می دهد. به علاوه بررسی های صورت گرفته گویای ارتباط پررنگی میان نمایش های دو بعدی به دست آمده از این روش و نتایج حاصل از الگوریتم مرسوم در یادگیری خمینه می باشد.

کاهش غیر خطی ابعاد، یادگیری سلسله مراتبی، یادگیری خمینه (Manifold Learning)