Table of Contents
شبکه های عصبی کانولو (CNNs) یک کلاس از مدل های یادگیری عمیق هستند که به طور گسترده ای برای تجزیه و تحلیل تصویر استفاده می شوند.آنها از عملیات ریاضی برای یادگیری خودکار ویژگی های داده های بصری، فعال کردن وظایف مانند طبقه بندی، تشخیص و تقسیم بندی استفاده می کنند.
عملیات ریاضی اصلی در CNN
عملیات بنیادی در سی ان شامل همگرایی، توابع فعال سازی، جمع آوری و لایه های کاملا متصل است. Convolution شامل یک فیلتر بر روی تصویر ورودی برای تولید نقشه های ویژگی، گرفتن الگوهای محلی است.
توابع فعال سازی مانند ReLU عدم خط مشی را معرفی می کنند، اجازه می دهد شبکه برای یادگیری الگوهای پیچیده. Pooling ابعاد فضایی نقشه های ویژگی را کاهش می دهد، کاهش بار محاسباتی و تأکید بر ویژگی های غالب.
معرفی ریاضی از Convolution
عملیات متقابل به صورت ریاضی بیان می شود:
(به معنی:) (i,j) = ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
در جایی که [FLT1] تصویر ورودی است کرنل یا فیلتر است و نقشه ی حاصل از آن است.
یادگیری فرآیند و بهینه سازی
در طول آموزش، CNN وزنه های فیلتر را با استفاده از الگوریتم هایی مانند گرادیان بالا می برد. تابع از دست دادن تفاوت بین برچسب های پیش بینی شده و واقعی، تنظیمات راهنما برای بهبود دقت را اندازه گیری می کند.
Backpropagation گرادیان از دست دادن را با توجه به هر پارامتر محاسبه می کند، به روز رسانی وزن به طور غریزی برای به حداقل رساندن خطا.
برنامه های کاربردی در تجزیه و تحلیل تصویر
سی ان در کارهای مختلف تجزیه و تحلیل تصویر، از جمله تشخیص شی، تشخیص چهره و تصویربرداری پزشکی موثر است.توانایی آنها برای یادگیری ویژگی های سلسله مراتبی آنها را برای داده های بصری پیچیده مناسب می کند.