مقایسه روش های یادگیری عمیق Mask R-CNN و CRF-RNN به منظور شناسایی و قطعه بندی سر نوزاد در تصاویر رنگی
Publish place: Geomatics & GIT 1397
Publish Year: 1397
Type: Conference paper
Language: Persian
View: 2,115
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
NCEGIT03_126
Index date: 29 June 2019
مقایسه روش های یادگیری عمیق Mask R-CNN و CRF-RNN به منظور شناسایی و قطعه بندی سر نوزاد در تصاویر رنگی abstract
امروزه الگوریتم های فراوانی به منظور شناسایی و قطعه بندی تصاویر ارائه شده است ولی تمام الگوریتم های موجود در این حوزه عملکرد موفقی نداشته اند، به ویژه زمانی که قطعه بندی یک شئی خاص در تصاویر متفاوت مد نظر باشد. بنابراین الزم است که از الگوریتم های سنتی قطعه بندی عبورکرده و به سمت الگوریتم های مبتنی بر شبکه های عصبی عمیق رفت. هدف از این مقاله، مقایسه دو الگوریتم شبکه عصبی عمیق به منظور شناسایی و قطعه بندی سر نوزاد در تصاویر رنگی می باشد. بر اساس این تحقیق الگوریتم Mask R-CNN به منظور شناسایی و قطعه بندی سر نوزاد آموزش داده شد و نتایج آن با نتایج روش CRF-RNN مورد ارزیابی و مقایسه قرار گرفت و توانست نتایج به مراتب بهتری خصوصا در تصاویر چالشی به دست آورد. در این تحقیق مشخص شد که می توان از روش Mask R-CNN به عنوان یک روش مطمئن به منظور شناسایی و قطعه بندی سر نوزاد در تصاویر استفاده نمود.
مقایسه روش های یادگیری عمیق Mask R-CNN و CRF-RNN به منظور شناسایی و قطعه بندی سر نوزاد در تصاویر رنگی Keywords:
مقایسه روش های یادگیری عمیق Mask R-CNN و CRF-RNN به منظور شناسایی و قطعه بندی سر نوزاد در تصاویر رنگی authors
فرزاد زارع زاده
دانشجوی کارشناسی ارشد فتوگرامتری، دانشکده نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی
علی حسینی نوه
استادیار گروه فتوگرامتری و سنجش از دور، دانشکده نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی
زهره حبیبی
استادیار دانشکده پزشکی، دانشگاه علوم پزشکی و خدمات بهداشتی درمانی تهران