There has been a clear and rapid development in signal processing systems,
this development comes as a result of the availability of modern techniques
in electronic systems and also as a result of achieving mathematical
algorithms which were effec
tive and perfect for signal processing.
One of the most important application in signal processing is the digital
image processing techniques. Sampling process is regarded as one of the
basic and important operations in signal processing, from which we obtain
samples that can represent the original image in perfect way.
We present in this essay an affective algorithm which helps to arrange onedimensional
samples from two- dimensional samples image. This enables to
obtain a series of samples which has an ability of representing images with
concern of their general structure. Also the neighborhood correlation of
image points is respected, in addition to carrying out the subsequent
treatments with less mathematical cost.
In this research, we define the concept of visual saliency in biology
and how it is described in computer science using the concept of
saliency maps, and how to use these maps to detect salient
objects in digital images. We also conduct experiment
s using
several algorithms to detect salient objects, and describe how to
quantify the quality of the results using clear and well-defined
standards.
دراسة الهياكل الجيولوجية المكشوفة على سطح الأرض ذات أهمية كبيرة بشكل عام وخصوصا في التصميم الهندسي والبناء.
في هذا البحث ، استخدمنا 2206 صورة مع 12 ملصق للتعرف على الهياكل الجيولوجية بناءً على نموذج Inception-v3. تم اعتماد الصور ذات التدرج الرمادي و
اللون في النموذج. كما تم بناء نموذج الشبكة العصبية التلافيفية (CNN) وتم تطبيق خوارزمية أقرب جار (KNN) والشبكة العصبية الاصطناعية (ANN) وتعزيز التدرج الشديد (XGBoost) في تصنيف الهياكل الجيولوجية بناءً على الميزات المستخرجة من مكتبة رؤية الكمبيوتر مفتوحة المصدر (OpenCV).
أخيرًا ، تمت مقارنة أداء الطرق الخمس وأظهرت النتائج أن أداء KNN و ANN و XGBoost كان ضعيفًا وبدقة أقل من 40.0٪. أما CNN فعد عانت من فرط التدريب Overfitting.
كان للنموذج الذي تم تدريبه باستخدام التعلم بالنقل تأثير كبير على مجموعة بيانات صغيرة من صور التركيب الجيولوجي. وأفضل نموذجين وصلوا إلى دقة 83.3٪ و 90.0٪ على التوالي. هذا يدل على أن النسيج هو السمة الرئيسية في هذا البحث. يمكن أن يستخرج التعلم القائم على نموذج التعلم العميق ميزات بيانات البنية الجيولوجية الصغيرة بشكل فعال ، وهو قوي في تصنيف صور الهيكل الجيولوجي.
