Table of Contents
شبکه های عصبی کانولو (CNNs) یک کلاس از مدل های یادگیری عمیق هستند که عمدتا برای پردازش داده های بصری استفاده می شوند.آنها برای به طور خودکار طراحی شده اند و به طور سازگار سلسله مراتب فضایی از ویژگی ها را از طریق ارتقاء مجدد درک اصول، محاسبات و کاربردهای سی ان برای توسعه راه حل های یادگیری ماشین موثر ضروری است.
اصول طراحی CNN
ایده اصلی در پشت سی ان است که تقلید سیستم پردازش بصری مغز انسان است.آنها از لایه های هم تکامل برای تشخیص ویژگی های محلی، لایه های جمع آوری برای کاهش ابعاد و لایه های کاملا متصل برای طبقه بندی مناسب شامل انتخاب تعداد لایه ها، اندازه های فیلتر و توابع فعال سازی برای بهینه سازی عملکرد استفاده می کنند.
محاسبه در سی ان
محاسبات در CNN شامل عملیات های همگام سازی است که نقشه های ویژگی را با فیلترهای کشویی بر روی داده های ورودی محاسبه می کند. فرمول یک عملیات یکپارچه سازی منفرد این است:
[مشرکان] = سوم (در بخش × × × × ×
لایه های استخر، به طور معمول با استفاده از حداکثر یا متوسط استخر، برای کاهش ابعاد فضایی، عملکرد فعال سازی مانند ReLU، عدم خطیر را معرفی می کند، شبکه را قادر می سازد تا الگوهای پیچیده را یاد بگیرد.
برنامه های CNN
سی ان ها به طور گسترده ای در زمینه های مختلف استفاده می شوند، از جمله تشخیص تصویر و ویدیو، تجزیه و تحلیل تصویر پزشکی، وسایل نقلیه مستقل و سیستم های تشخیص چهره.توانایی آنها برای استخراج ویژگی های مرتبط به طور خودکار آنها را برای وظایف شامل داده های بصری بسیار موثر می کند.
- تصویر طبقه بندی
- تشخیص Object
- تشخیص چهره
- تحلیل تصویربرداری پزشکی