پديد آورنده :
نوروزي، عليرضا
عنوان :
بخش بندي معنايي تصاوير به وسيله شبكه هاي عصبي عميق كانولوشني كامل و داراي حافظه مشتق پذير
مقطع تحصيلي :
كارشناسي ارشد
گرايش تحصيلي :
هوش مصنوعي و رباتيكز
محل تحصيل :
اصفهان : دانشگاه صنعتي اصفهان
صفحه شمار :
دوازده، 95ص. : مصور، جدول، نمودار
استاد راهنما :
نادر كريمي
استاد مشاور :
شادرخ سماوي
واژه نامه :
انگليسي به فارسي; فارسي به انگليسي
توصيفگر ها :
بخش بندي معنايي , شبكه هاي كانولوشني كامل , شبكه هاي عصبي داراي حافظه
تاريخ ورود اطلاعات :
1398/01/27
رشته تحصيلي :
برق و كامپيوتر
دانشكده :
مهندسي برق و كامپيوتر
تاريخ ويرايش اطلاعات :
1398/02/02
چكيده فارسي :
چکیده بخشبندی معنایی تصاویر یكی از مهمترین مسائل مطرح در علم بینایی کامپیوتر است حل مناسب این مسئله دروازهای به سوی حل مسائل پیچیدهتر نظیر فهم ساختار محیط و استخراج روابط اشیا در تصویر است این مسائل در زمینههای بسیار مهمی از جمله خودروهای خودران و رباتیک کاربرد دارند و میتوانند تأثیرات شگرفی بر بهبود زندگی انسان در آینده برجای گذارند از طرف دیگر در دهه اخیر استفاده از شبكههای عصبی عمیق در حل بسیاری از مسائل مطرح در هوش مصنوعی و به ویژه بینایی کامپیوتر بسیار موثر واقع شده است در زمینه بخشبندی معنایی تصاویر هم شبكههای عصبی عمیق و به ویژه شبكههای کانولوشنی کامل پیشرفت خوبی را نسبت به روشهای پیشین ایجاد کردهاند با وجود پیشرفتهای صورت گرفته توسط شبكههای عصبی کانولوشنی کامل این مدلها هنوز دارای نقاط ضعفی در ساختار خود هستند و در موارد بسیاری موفق به بخشبندی معنایی موفقی نمیشوند در این پایاننامه هدف بهبود عملكرد شبكههای عصبی عمیق در زمینه بخشبندی معنایی تصاویر به وسیله افزودن اجزای مختلف به یک شبكه عصبی کانولوشنی کامل با در نظر گرفتن وظایف مشخص برای هر جز است این اجزا عبارتاند از مكانیسم توجه که به شبكه این قابلیت را میدهد که تنها روی قسمتهای خاصی از ورودی یا خروجی تمرکز کند و حافظه خارجی که به شبكه اجازه میدهد اطالعات را در گامهای مختلف بدون از دست رفتن ذخیره و بازیابی کند تمام اجزا نیز توسط یک کنترلکننده مرکزی که یک شبكه بازگشتی است کنترل میشوند نتایج به دست آمده در پیادهسازی ساختار پیشنهادی نشان میدهد با در نظر گرفتن اجزای مختلف به یک شبكه عصبی کانولوشنی کامل پایه میتوان دقت نهایی را تا 51 درصد افزایش داد که مبین تأثیرگذار بودن طراحی شبكهها با در نظر گرفتن اجزای مختلف با وظایف مشخص برای این اجزا است کلمات کلیدی بخشبندی معنایی شبكههای کانولوشنی کامل شبكههای عصبی دارای حافظه
چكيده انگليسي :
32 دریچه بازنشانی در رابطه 2 71 تعیین میکند که تا چه اندازه از اطالعات قبلی موجود در حافظه برای مقدار پیشنهادی جدید استفاده شود سپس دریچه بهروزرسانی مشخص میکند تا چه اندازه از اطالعات پیشنهادی جدید و تا چه اندازه از اطالعات قبلی حافظه نگه داشته شود همانطور که در ابتدای این بخش ذکر شد این ساختار در حقیقت سادهسازی حافظههای کوتاه مدت طوالنی است اما در عین حال در عمل این دو ساختار عملكرد مشابهی دارند 02 به همین دلیل در این پایاننامه برای قسمت شبكههای عصبی بازگشتی از واحدهای بازگشتی دریچهای بهره گرفته است 2 4 شبکههای عصبی دارای حافظه مجزا در بخش 2 3 در مورد ویژگیهای شبكههای عصبی بازگشتی و اجزای سازنده آنها توضیح داده شد و بر این نكته تأکید شد که یكی از بزرگترین مشكالت در هنگام آموزش این نوع شبكهها عدم ماندگاری اطالعات در حافظه آنها به دلیل گرادیان محوشونده است با معرفی ساختارهایی نظیر حافظه کوتاهمدت طوالنی و واحدهای بازگشتی دریچهای سعی در رفع این مشكل شده است اما این ساختارها به گونهای طراحی شدهاند تا گرادیانهای محاسبه شده در گامهای انتهایی پردازش یک دنباله در هنگام آموزش شبكه با تضعیف کمتری به گامهای ابتدایی جریان یابند در نتیجه این نوع ساختارها به تنهایی قادر به حل مسائل پیچیده مانند مسائل الگوریتمی یا مسائلی که در آنها نیاز به استدالل روی گامهایی با فاصله بسیار طوالنی در زمان است نیستند در حقیقت نام انتخاب شده برای حافظه کوتاهمدت طوالنی به درستی بیانکننده کوتاهمدت بودن حافظه موجود است در نتیجه به منظور افزایش قابلیت ذخیره اطالعات و سپس تصمیمگیری بر اساس آنها میتوان از ایده وجود حافظه بلندمدت در مغز انسان یا به طور سادهتر از حافظههای دیجیتال در رایانهها کمک گرفت عالوه بر موضوع ماندگاری اطالعات میتوان جنبه دیگری از موضوع یادگیری را در نظر گرفت که اهمیت وجود یک حافظه مجزا برای شبكههای عصبی را نشان میدهد موضوعات و اطالعات موجود را میتوان به دو دسته کلی تقسیم کرد یكی از این دستهها موضوعات و دانشهای انتزاعی1 و تلویحی2 هستند که بیان دقیق آنها توسط گفتار و نوشتار مشكل است به عنوان مثال چگونگی و فرآیند راه رفتن و نحوه تشخیص چهرههای مختلف از این دستهاند شبكههای عصبی عمیق در یادگیری این نوع از دانش مناسب عمل کرده و میتوانند پس از فرایند آموزش اطالعات را در وزنها و فعالیت الیههای مختلف ذخیره کنند در دسته دیگر دانشها و اطالعاتی هستند که به صراحت3 و دقیق قابل بیان یا ذخیرهسازی هستند یک الگوریتم محاسباتی یا تاریخ یک رویداد از این دسته محسوب میشوند شبكههای عصبی عمیق در یادگیری این نوع از دانش بسیار ضعیف عمل کرده و به مجموعه بزرگی از دادههای آموزشی نیاز دارند تا بتوانند این نوع از دانش را در وزنهای خود ذخیره و استفاده کنند در 22 این مشكل به عدم وجود یک حافظه مجزا جهت ذخیرهسازی اطالعات در 1 Abstract 2 Implicit 3 Explicit
استاد راهنما :
نادر كريمي
استاد مشاور :
شادرخ سماوي
