نویز ضربه موجب اختلال در فرایند طبقهبندی تصاویر توسط شبکه عصبی کانولوشنال میگردد. پیشپردازش جهت حذف نویز ضربه هزینهبر است و تصاویر تخریبشده به دلیل عدم بهبود کافی، اثر مخرب در مراحل آموزش و اعتبارسنجی این شبکه دارند. در این مقاله با اصلاح معماری شبکه عصبی کانولوشنا چکیده کامل
نویز ضربه موجب اختلال در فرایند طبقهبندی تصاویر توسط شبکه عصبی کانولوشنال میگردد. پیشپردازش جهت حذف نویز ضربه هزینهبر است و تصاویر تخریبشده به دلیل عدم بهبود کافی، اثر مخرب در مراحل آموزش و اعتبارسنجی این شبکه دارند. در این مقاله با اصلاح معماری شبکه عصبی کانولوشنال، یک مدل مقاوم در برابر نویز ضربه معرفی میشود. روش پیشنهادی، طبقهبندی تصاویر نویزی را بدون نیاز به هیچ گونه پیشپردازش انجام میدهد. لایه تشخیص نویز ضربه در بدنه شبکه عصبی کانولوشنال تعبیه میشود و از پردازش مقادیر نویزی جلوگیری میکند. برای آموزش مدل پیشنهادی از پایگاه داده 2012- ILSVRC استفاده شده است. نتایج شبیهسازی نشان میدهد که جلوگیری از تأثیرگذاری نویز ضربه در فرایند آموزش و طبقهبندی شبکه عصبی کانولوشنال، دقت و سرعت آموزش شبکه را افزایش میدهد. روش پیشنهادی با خطای 24/0 در طبقهبندی تصاویر آغشته به نویز ضربه با چگالی 10% بهتر از سایر روشهای مورد مقایسه میباشد. مرتبه زمانی (1)O در اصلاح CNN جهت مقاومت در برابر نویز نشاندهنده برتری روش پیشنهادی است.
پرونده مقاله
افزايش کاربري شهروندان از رسانههاي اجتماعي (مانند توئيتر، فروشگاههاي برخط و غيره) آنها را به منبعي عظيم براي تحليل و درک پديدههاي گوناگون تبديل کرده است. هدف تحليل احساس استفاده از دادههاي به دست آمده از اين رسانهها و کشف گرايشهاي پيدا و پنهان کاربران نسبت به موجو چکیده کامل
افزايش کاربري شهروندان از رسانههاي اجتماعي (مانند توئيتر، فروشگاههاي برخط و غيره) آنها را به منبعي عظيم براي تحليل و درک پديدههاي گوناگون تبديل کرده است. هدف تحليل احساس استفاده از دادههاي به دست آمده از اين رسانهها و کشف گرايشهاي پيدا و پنهان کاربران نسبت به موجوديتهاي خاص حاضر در متن است. در کار حاضر ما با استفاده از شبکه عصبي پيچشي که نوعي شبکه عصبي پيشخور است، به تحليل گرايش نظرات در رسانههاي اجتماعي در دو و پنج سطح و با در نظر گرفتن شدت آنها ميپردازيم. در اين شبکه عمل کانولوشن با استفاده از صافيهايي با اندازههاي مختلف بر روي بردارهاي جملات ورودي اعمال ميشود و بردار ويژگي حاصل به عنوان ورودي لايه نرم بيشينه براي دستهبندي نهايي جملات به کار ميرود. شبکههاي عصبي پيچشي با پارامترهاي مختلف با استفاده از معيار مساحت زير منحني و بر روي مجموعه داده جمعآوري شده از رسانههاي اجتماعي فارسي ارزيابي شدند و نتايج به دست آمده نشاندهنده بهبود کارايي آنها در گستره رسانههاي اجتماعي نسبت به روشهاي سنتي يادگيري ماشين به خصوص بر روي دادهها با طول کوتاهتر هستند.
پرونده مقاله
مقابله با آتشسوزی جنگلها برای جلوگیری از خطرات بالقوه آنها و همچنین حفاظت از منابع طبیعی به عنوان یک چالش در میان محققان مطرح است. هدف از این تحقیق، تشخیص ویژگیهای آتش و دود از تصاویر بصری پهپاد برای دستهبندی، تشخیص شیء و قطعهبندی تصاویر است. از آنجا که جنگلها محی چکیده کامل
مقابله با آتشسوزی جنگلها برای جلوگیری از خطرات بالقوه آنها و همچنین حفاظت از منابع طبیعی به عنوان یک چالش در میان محققان مطرح است. هدف از این تحقیق، تشخیص ویژگیهای آتش و دود از تصاویر بصری پهپاد برای دستهبندی، تشخیص شیء و قطعهبندی تصاویر است. از آنجا که جنگلها محیطهای بسیار پیچیده و غیر ساختاری هستند، استفاده از سیستم بینایی همچنان با مشکلاتی نظیر شباهت ویژگیهای شعله با نور خورشید، گیاهان و حیوانات و یا پوشش شعله با دود مواجه است که باعث هشدارهای اشتباه میشوند. روش پیشنهادی در این تحقیق، استفاده از شبکههای عصبی کانولوشنی از روشهای یادگیری عمیق است که به صورت خودکار، توانایی استخراج یا تولید ویژگی در لایههای مختلف خود را دارند. ابتدا به جمعآوری داده و افزایش آنها با توجه به روشهای دادهافزایی پرداخته شده و در ادامه، استفاده از یک شبکه ۱۲ لایه برای دستهبندی و همچنین روش یادگیری انتقالی برای قطعهبندی تصاویر پیشنهاد میشود. نتایج به دست آمده نشان میدهند که روش دادهافزایی به کار برده شده با توجه به تغییر اندازه و آمادهسازی تصاویر ورودی به شبکه از کاهش شدید ویژگیهای موجود در تصاویر اولیه جلوگیری کرده و همچنین شبکههای عصبی کانولوشنی مورد استفاده میتوانند به خوبی ویژگیهای آتش و دود موجود در تصاویر را استخراج کنند و نهایتاً به تشخیص و محلیسازی آنها بپردازند.
پرونده مقاله
رشد سریع شبکههای اجتماعی مبتنی بر مکان، فرصتی عالی برای ارائه خدمات توصیه مکانهای مورد علاقه به صورت هدفمند میباشد. یک وظیفه مهم برای توصیه دقیق نقاط جذاب و مورد علاقه کاربران در شبکههای اجتماعی مبتنی بر مکان، با توجه به چالشهای متون غنی و پراکندگی دادهها، بررسی و چکیده کامل
رشد سریع شبکههای اجتماعی مبتنی بر مکان، فرصتی عالی برای ارائه خدمات توصیه مکانهای مورد علاقه به صورت هدفمند میباشد. یک وظیفه مهم برای توصیه دقیق نقاط جذاب و مورد علاقه کاربران در شبکههای اجتماعی مبتنی بر مکان، با توجه به چالشهای متون غنی و پراکندگی دادهها، بررسی ویژگیهای معنادار کاربران و نقاط مورد علاقه است. در این مقاله، یک روش جدید برای توصیه ترتیب دقیق بهترین نقاط مورد علاقه کاربران ارائه شده که ترکیبی از رویکردهای شبکه عصبی کانولوشن، خوشهبندی و دوستی میباشد. برای یافتن شباهت در رفتار دوستان صمیمی، از روش خوشهبندی انتقال میانگین استفاده میکنیم و فقط تأثیر الگوی رفتاری شبیهترین دوست را به نسبت همه دوستان کاربر در نظر میگیریم. چارچوب جدید شبکه عصبی کانولوشن پیشنهادی با ۱۰ لایه میتواند طول و عرض جغرافیایی و شناسه مکانهای مناسب بعدی را پیشبینی کرده و سپس بر اساس کوتاهترین فاصله از الگوی رفتاری دوست مشابه، مکانهای پیشنهادی را انتخاب کند. این رویکرد ترکیبی، در دو مجموعه داده شبکههای اجتماعی مبتنی بر مکان ارزیابی شده و نتایج تجربی نشان میدهد که استراتژی ما از روشهای پیشرفته توصیه نقاط مورد علاقه دقیقتر عمل میکند.
پرونده مقاله
در سالهای اخیر، شبکههای عصبی نوری به علت سرعت بالا و توان مصرفی پایینی که دارند، بسیار مورد توجه قرار گرفتهاند. با این وجود، این شبکهها هنوز محدودیتهای زیادی دارند که یکی از این محدودیتها پیادهسازی لایه غیر خطی در آنهاست. در این نوشتار، پیادهسازی واحد غیر خطی ب چکیده کامل
در سالهای اخیر، شبکههای عصبی نوری به علت سرعت بالا و توان مصرفی پایینی که دارند، بسیار مورد توجه قرار گرفتهاند. با این وجود، این شبکهها هنوز محدودیتهای زیادی دارند که یکی از این محدودیتها پیادهسازی لایه غیر خطی در آنهاست. در این نوشتار، پیادهسازی واحد غیر خطی برای شبکههای عصبی پیچشی نوری مورد بررسی قرار گرفته تا در نهایت با استفاده از این واحد غیر خطی بتوان به یک شبکه عصبی پیچشی تمامنوری عمیق با دقتی مشابه شبکههای الکتریکی، سرعت بالاتر و توان مصرفی کمتر رسید و بتوان قدمی در راستای کاهش محدودیتهای این شبکهها برداشت. در این راستا ابتدا روشهای مختلف پیادهسازی واحد غیر خطی مرور شدهاند. سپس به بررسی تأثیر استفاده از جاذب اشباعشونده به عنوان واحد غیر خطی در لایههای مختلف بر دقت شبکه پرداخته شده و نهایتاً روشی نوین و ساده برای جلوگیری از کاهش دقت شبکههای عصبی در صورت استفاده از این تابع فعالساز ارائه گردیده است.
پرونده مقاله