جلسه دفاع از پایان‌نامه: خانم سیده منصوره آقایی، گروه مهندسی مخابرات

خلاصه خبر: طبقه‌بندی تصاویر ابر طیفی با استفاده از شبکه عصبی کانولوشن و ماشین بردار پشتیبان

  • عنوان: طبقه‌بندی تصاویر ابر طیفی با استفاده از شبکه عصبی کانولوشن و ماشین بردار پشتیبان
  • ارائه‌کننده: سیده منصوره آقایی
  • استاد راهنما: آقای دکتر قاسمیان
  • استاد ناظر داخلی اول: آقای دکتر مکاری
  • استاد ناظر داخلی دوم: TEXT
  • استاد ناظر خارجی اول: آقای دکتر میرزاپور (دانشگاه: مهندسی برق و کامپیوتر )
  • استاد ناظر خارجی دوم: TEXT
  • استاد مشاور اول: خانم دکتر ایمانی
  • استاد مشاور دوم: TEXT
  • نماینده تحصیلات تکمیلی: TEXT
  • مکان: آزمایشگاه پردازش تصویر
  • تاریخ: 97/11/08
  • ساعت: 07:00

چکیده تصاویر ابرطیفی دسته¬ای از داده¬ها می¬باشند که اطلاعات طیفی و مکانی را فراهم می¬آورند و برای سنجش مکانی از راه دور مورد استفاده قرار می گیرند. این نوع تصاویر در زمینه های مختلفی از جمله طبقه بندی (کاربردهای کشاورزی و غیره)، جداسازی طیفی (تعیین درصد تشکیل دهنده یک پیکسل از مواد گوناگون)، ادغام تصاویر (ترکیب تصاویر با اطلاعات مکانی و طیفی بالا به منظور به دست آوردن یک تصویر با اطلاعات طیفی و مکانی بالا) و آشکارسازی اهداف (کاربردهای نظامی و غیره) به کار می روند. با استفاده از اعمال تکنیک های یادگیری عمیق برروی این نوع از تصاویر می توان به نتایجی با دقت بسیار بالا دست یافت. از بین روش های مختلف یادگیری عمیق شبکه¬های عصبی کانولوشنی برای چنین تصاویری بیشتر مورد استفاده قرار گرفته اند. این در حالی است که روش های مختلفی نظیر شبکه های عصبی بازگشتی، شبکه های حافظه دار کوتاه مدت و شبکه های بازگشتی دروازه ای نیز برای چنین تصاویری مورد استفاده قرار گرفته اند. یکی از مهم ترین معایب شبکه های کانولوشنی وجود لایه های تماما متصل به دلیل تعداد زیاد پارامترهای یادگیرنده است. این لایه ها وظیفه یادگیری از ویژگی های استخراج شده توسط لایه های کانولوشنی را بر عهده دارند. همچنین آخرین لایه از لایه های تماما متصل به عنوان محاسبگر امتیاز دسته ها شناخته می شود. این لایه توسط یک تابع احتمالاتی نظیر Softmax خروجی ها را به ازای هر یک از دسته ها محاسبه می کند. پس از آن توسط یک تابع هزینه میزان خطای شبکه محاسبه می شود. جهت کاهش میزان خطای شبکه، خطا به داخل شبکه انتشار داده می شود و توسط تابع پس انتشار وزن های هر یک از نرون ها در لایه های تماما متصل و میزان کرنل ها در لایه های کانولوشنی جهت کاهش خطا تغییر داده می شود. لایه های تماما متصل در شبکه CNN از نظر محاسباتی سنگین و وقت گیر می باشند از طرفی دقت کمتری نسبت به طبقه بند هایی مانند ماشین بردار پشتیبان دارند. برای این منظور ما طبقه بند ترکیبی را برای این تصاویر پیشنهاد می کنیم که برای استخراج ویژگی از شبکه های کانولوشنی و برای طبقه بندی از ماشین بردار پشتیبان استفاده می کند. نتایج آزمایشات نشان دهنده برتری روش پیشنهادی نسبت به روش های موجود در این زمینه می باشد.
کلمات کلیدی طبقه بندی تصاویرابرطیفی، شبکه عصبی کانولوشنی (CNN)، ماشین بردارپشتیبان (SVM)


3 بهمن 1397 / تعداد نمایش : 1834