اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديداستخدام الشبكات العصبونية الإلتفافية في تحديد الميزات الأساسية للصور
Convolutional Neural Networks for Photo Features Extraction
4611
15 314
0
(
0
)
نشر من قبل
جامعة دمشق حلقة بحث
تاريخ النشر
2018
مجال البحث
الهندسة المعلوماتية
والبحث باللغة
العربية
تمت اﻹضافة من قبل
محمد سليمان
اسأل ChatGPT حول البحث
يهدف البحث إلى تقديم دراسة مرجعيّة مفصلة عن استخدام الشبكات العصبونية الإلتفافية (CNNs) في استخراج الميزات (Features) من الصور. وسيتطرق البحث إلى التعريف بمعنى الميزات (Features) الخاصة بالصور وأهميتها في تطبيقات معالجة الصورة. وسيتم أيضاً التعريف بالشبكات العصبونية الإلتفافية (CNNs) وبنيتها و طريقة عملها وأنواع المقاربات والمنهجيات المستخدمة في تدريبها لاستخراج الميزات (Features) من الصور.
No English abstract
مراجعة الذكاء الصنعي:
ملخص البحث
يهدف البحث إلى تقديم دراسة مرجعية حول استخدام الشبكات العصبونية الالتفافية (CNNs) في استخراج الميزات من الصور. يتناول البحث تعريف الميزات وأهميتها في معالجة الصور، بالإضافة إلى شرح بنية وطريقة عمل الشبكات العصبونية الالتفافية. يتم تقسيم الدراسة إلى قسمين رئيسيين: التعلم بإشراف والتعلم بدون إشراف. في القسم الأول، يتم استعراض نماذج مختلفة من الشبكات مثل R-CNN وFast R-CNN وFaster R-CNN وMask R-CNN، مع التركيز على كيفية تحسين أداء هذه الشبكات في تصنيف الصور واكتشاف الأغراض. في القسم الثاني، يتم تناول طرق التعلم بدون إشراف وأهميتها في استخراج الميزات من البيانات غير المصنفة. يتم استعراض خوارزمية SIFT كأحد الأمثلة على الطرق المستخدمة في هذا السياق. يختتم البحث بمناقشة التحديات والفرص المستقبلية في هذا المجال، مع التركيز على الابتكارات الحديثة مثل Capsule Networks التي تهدف إلى تحسين دقة وفعالية الشبكات العصبونية الالتفافية في معالجة الصور.
قراءة نقدية
دراسة نقدية: البحث يقدم نظرة شاملة ومفصلة حول استخدام الشبكات العصبونية الالتفافية في استخراج الميزات من الصور، ويغطي مجموعة واسعة من النماذج والتقنيات المستخدمة في هذا المجال. ومع ذلك، يمكن ملاحظة بعض النقاط التي قد تحتاج إلى تحسين. أولاً، البحث يعتمد بشكل كبير على المصادر الثانوية والمراجع، مما قد يقلل من أصالة النتائج المقدمة. ثانياً، لم يتم تقديم تطبيقات عملية أو تجارب ميدانية لدعم النظريات المذكورة، مما يجعل من الصعب تقييم فعالية الحلول المقترحة في بيئات حقيقية. وأخيراً، كان من الممكن توضيح بعض المفاهيم التقنية بشكل أكثر بساطة لتكون مفهومة بشكل أفضل للقراء غير المتخصصين.
أسئلة حول البحث
-
ما هي الميزات (Features) في معالجة الصور؟
الميزات في معالجة الصور هي مناطق تغير مفاجئ في القيمة، مثل الحواف، وتعتبر تلخيصاً للمشهد وتساعد في فهم الصورة أو المشهد بشكل يمكن للحاسوب معالجته.
-
ما هي الشبكات العصبونية الالتفافية (CNNs)؟
الشبكات العصبونية الالتفافية هي نوع خاص من الشبكات العصبونية بالتغذية الأمامية، مستوحاة من العمليات البيولوجية في الفص البصري في دماغ الكائنات الحية، وتستخدم بشكل واسع في معالجة الصور والفيديوهات.
-
ما الفرق بين التعلم بإشراف والتعلم بدون إشراف في الشبكات العصبونية الالتفافية؟
في التعلم بإشراف، يتم تدريب الشبكة باستخدام بيانات مدخلة ومعروفة النتائج، بينما في التعلم بدون إشراف، يتم تدريب الشبكة باستخدام بيانات مدخلة فقط دون معرفة النتائج المقابلة لها.
-
ما هي التحديات التي تواجه استخدام Capsule Networks؟
أحد التحديات الرئيسية هو أن التنفيذ الحالي لـ Capsule Networks أبطأ بكثير من نماذج التعلم العميق الأخرى، وهناك حاجة لتقييم أدائها في مجموعات بيانات أصعب وفي مجالات مختلفة.
المراجع المستخدمة
http://deeplearning.net/tutorial/lenet.html
https://en.wikipedia.org/wiki/Convolutional_neural_network
https://www.datascience.com/blog/supervised-and unsupervised-machine-learning-algorithms
مقرر الرؤية الحاسوبية في جامعة دمشق
https://medium.com/ai%C2%B3-theory-practice-business/understanding-hintons-capsule-networks-part-i-intuition-b4b559d1159b
https://hackernoon.com/what-is-a-capsnet-or-capsule-network-2bfbe48769cc
https://blog.athelas.com/a-brief-history-of-cnns-in-image-segmentation-from-r-cnn-to-mask-r-cnn-34ea83205de4
A.Krizhevsky, I.Sutskever, and G.E.Hinton. ImageNet classification with deep convolutional neural networks. In NIPS, pages 1106–1114, 2012
M.D.Zeiler and R.Fergus. Visualizing and understanding convolutional networks. In ECCV, 2014
W.Y.Zou, A.Y.Ng, S.Zhu, and K.Yu. Deep learning of invariant features via simulated fixations in video. In NIPS, pages 3212–3220, 2012.
Discriminative Unsupervised Feature Learning with Convolutional Neural Networks by Alexey Dosovitskiy, Jost Tobias Springenberg, Martin Riedmiller and Thomas Brox
قيم البحث
اقرأ أيضاً
في السنوات الأخيرة نمت مشكلة تصنيف الكائنات في الصّور نتيجة لمتطلبات القطاع الصناعي.على الرّغم من تعدد التقنيات المستخدمة للمساعدة في عملية التصنيف SIFT Scale Invariant Feature Transforms، ORB Oriented Fast And Rotated Brief , SURF Speed Up Robust
Features، إضافة لشبكات التعلم العميق Deep Learning Neural Network DNN والشبكات العصبونية الالتفافية Convolutional Neural Network CNN، فإن الأنظمة المقترحة لمعالجة هذه المشكلة تفتقر للحل الشّامل للصعوبات المتمثلة بوقت التّدريب الطّويل والذاكرة العائمة أثناء عملية التدريب، وانخفاض معدّل التصنيف. تعتبر الشبكات العصبونية الالتفافيةConvolutional Neural Networks (CNNs) من أكثر الخوارزميات استخداما لهذه المهمة، فقد كانت نموذجا حسابيا لتحليل البيانات الموجودة في الصور. تم اقتراح نموذج شبكة التفافية عميقة جديد لحل المشاكل المذكورة أعلاه. يهدف البحث إلى إظهار أداء نظام التّعرف باستخدام شبكاتCNNs على الذّاكرة المتاحة وزمن التدريب وذلك من خلال منهجة متغيرات مناسبة للشبكة العصبونية الالتفافية. قاعدة البيانات المستخدمة في هذا البحث هي CIFAR10 المكونة من60000 صورة ملونة تنتسب لعشرة أصناف، حيث أن كل 6000 صورة تكون لصنف من هذه الأصناف. يوجد 50000 صورة للتدريب و 10000 صورة للاختبار. حقق النموذج لدى اختباره على عينة من الصور المنتقاة من قاعدة البيانات CIFAR10 معدل تصنيف 98.87%.
تعد التغذية الكهربائية الموثوقة و المستمرة ضرورية في ظل وظائف المجتمع الحالي المعقدة. نتيجةً للاستهلاك المتزايد و توسع شبكات التوزيع الكهربائية، فإن نظم القدرة الكهربائية تعمل بشكل قريب من حدودها الفنية، و بالتالي تتزايد احتمالية حدوث حالات التحميل ا
لزائد، فشل التجهيزات و التعتيم. أكثر من ذلك، فإننا نواجه مشكلة أخرى تتجسد في عدم القدرة على تخزين الطاقة الكهربائية بشكل فعال و بالتالي يجب أن يتم توليد الطاقة الكهربائية عند الحاجة لها فقط.
و نظراً لما يواجهه العالم من نضوب الموارد النفطية و الصعوبات المرتبطة بتأمين مصادر أخرى لتوليد الطاقة الكهربائية فإن عملية التنبؤ بالحمل الكهربائي تشكل عاملاً حاسماً في منظومة القدرة الكهربائية سواء من الناحية الاقتصادية، أو من الناحية الفنية على مستويي التشغيل و التخطيط.
يقدم هذا البحث منظومة تنبؤ بالحمل الكهربائي قصير الأمد بالاعتماد على الشبكات العصبونية، مع محاكاة ضمن بيئة ماتلاب بالإضافة إلى واجهة بيانية للمنظومة اعتماداً على بيانات الأحمال السابقة و محددات الطقس في محافظة طرطوس.
يقدم هذا البحث تقنية جديدة لتحسين عامل الاستطاعة بالاعتماد على الشبكات العصبونية الاصطناعية. حيث يتم التحكم بمحرك متواقت عن طريق متحكم عصبوني للتعامل مع مشكلة تعويض الاستطاعة الردية للنظام، و ذلك بهدف تحسين عامل الاستطاعة.
تم في هذا البحث نمذجة النظ
ام الكهربائي و المتحكم العصبوني باستخدام برنامج ماتلاب، و قد بينت النتائج أن هذه الطريقة قد تغلبت على المشاكل التي تحدث عند استخدام الطرق التقليدية (استخدام المكثفات الساكنة)، كالتأخير الزمني و التغيرات الخطوية في تعويض الاستطاعة الردية، بالإضافة إلى السرعة بالمقارنة مع التعويض باستخدام المكثفات.
يتم تطبيق مصنف النصوص بانتظام على النصوص الشخصية، وترك مستخدمي هذه المصنفين عرضة لخرق الخصوصية.نقترح حلا لتصنيف النص الذي يحفظه الخصوصية التي تعتمد على الشبكات العصبية التنافعية (CNNS) والحساب الآمن متعدد الأحزاب (MPC).تتيح طريقتنا استنتاج تسمية فئة
لنص شخصي بهذه الطريقة (1) لا يتعين على مالك النص الشخصي الكشف عن نصها لأي شخص بطريقة غير مشفرة، و (2) مالك النصلا يتعين على المصنف أن يكشف عن المعلمات النموذجية المدربة إلى مالك النص أو أي شخص آخر.لإظهار جدوى بروتوكولنا لتصنيف النص الخاص العملي، نفذناها في Fronten Fresk Framepten المستندة إلى Pytorch، باستخدام مخطط تقاسم سري معروف جيدا في الإعداد الصادق وغير الغريب.نحن نختبر وقت تشغيل مصنف نصي المحفوظ في الخصوصية لدينا، وهو سريع بما يكفي لاستخدامه في الممارسة العملية.
سنقدم في هذا البحث منهجية علمية للتنبؤ قصيرة جدا بالحمولات الكهربائية للمنظومة الكهربائية السورية أي التنبؤ بهذه الحمولات لعدة ساعات قادمة و قد أطلقنا على هذا النوع من التنبؤ التنبؤ العملياتي, تعتمد هذه المنهجية على استخدام الشبكات العصبية الصناعية.
الأسئلة المقترحة
سجل دخول لتتمكن من نشر تعليقات
التعليقات
جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
