این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
ماشین بینایی و پردازش تصویر، جلد ۱۱، شماره ۱، صفحات ۱-۱۲
عنوان فارسی خوشه‌بندی عمیق تصاویر با رویکرد یادگیری گروهی و ویژگی‌های چندگانه شبکه‌های عصبی عمیق
چکیده فارسی مقاله یادگیری عمیق ابزار قدرتمندی در خوشه‌بندی تصاویر پیچیده و حجیم است. اغلب روش‌های خوشه‌بندی عمیق عمل دسته‌بندی تصاویر را بر اساس بردارهای بازنمایی حاصل از آموزش یک شبکه عصبی عمیق انجام می‌دهند به طوریکه ویژگی‌های مستخرج از لایه آخر شبکه مورد ارزیابی نهایی عمل خوشه‌بندی قرار می‌گیرد. بهره‌مندی از ویژگی‌های معنایی متفاوت حاصل از چندین شبکه‌ عمیق می‌تواند نقش مؤثری در بهبود کارایی نتایج خوشه‌بندی حاصل ایفا کند که تاکنون تحقیقات کمی در این زمینه صورت گرفته است. ما در این مقاله رویکردی مبتنی بر خوشه‌بندی عمیق گروهی ارائه می‌کنیم که در آن با پیوند دادن روش‌های خوشه‌بندی عمیق و یادگیری گروهی، سعی در استفاده از مزایای شبکه‌های عصبی عمیق در کنار یکدیگر داریم. در این راستا ابتدا پنج مدل مختلف خودرمزگذار عمیق با لایه‌های کانولوشنی متعدد آموزش داده می‌شوند که در هر یک از آنها از رویکرد یادگیری انتقالی نیز جهت افزایش دقت و بهبود عملکرد استفاده می‌شود. پس از استخراج ویژگی‌های چندگانه تصاویر توسط مدل‌های مختلف عمیق، بازنمایی‌های حاصل خوشه‌بندی شده و طبق رویکرد یادگیری گروهی نتایج آنها با یکدیگر تجمیع می‌شود. نهایتاً دسته‌بندی نهایی تصاویر بر اساس اطلاعات مشترک خوشه‌بندی‌های پایه صورت می‌گیرد. نتایج حاصل از اعمال روش پیشنهادی بر روی چهار مجموعه داده استاندارد، نشان دهنده کارایی بهتر و مؤثرتر روش پیشنهادی نسبت به رویکردهای اخیر خوشه‌بندی عمیق تصاویر است.
کلیدواژه‌های فارسی مقاله خوشه‌بندی تصاویر،شبکه عصبی عمیق،یادگیری گروهی،خودرمزگذار،یادگیری انتقالی،
عنوان انگلیسی Deep image clustering using ensemble learning and multiple features of deep neural networks
چکیده انگلیسی مقاله Deep learning is a powerful tool in clustering complex and large images.Most of the deep image clustering methods perform clustering based on the representation vectors obtained from a deep neural network training, so that the features extracted from the last layer of the network are used for the final clustering. Benefiting from different semantic information extracted from several deep networks can play an effective role in improving the efficiency of the clustering results. In this paper, we present an approach based on ensemble deep clustering, where by linking deep clustering methods and ensemble learning, we use multiple deep neural networks advantages together.In this regard, five autoencoders with several convolutional layers are trained, in each of which the transfer learning is performed to improve its accuracy and performance. After learning the effective representations of the images by different deep models, these vectors are clustered and their results are combined according to the ensemble approach. Then,the final clustering is calculated using the common information of the base clusters. The results of the proposed method on four standard image datasets represent its more effective performance rather than the recent deep image clustering methods.
کلیدواژه‌های انگلیسی مقاله خوشه‌بندی تصاویر,شبکه عصبی عمیق,یادگیری گروهی,خودرمزگذار,یادگیری انتقالی
نویسندگان مقاله ملیحه دانش |
گروه مهندسی کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه علم و فناوری مازندران، بهشهر، ایران

مصطفی نیکوسرشت |
گروه مهندسی کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه علم و فناوری مازندران، بهشهر، ایران

نشانی اینترنتی https://jmvip.sinaweb.net/article_191615_d44707953f95139626aee8e31609790c.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات