شبیه سازی مقاله شبکه عصبی پردازش تصویر:تجزیه و تحلیل شبکه های عصبی مصنوعی برای طبقه بندی تصویر

تجزیه و تحلیل شبکه های عصبی مصنوعی برای طبقه بندی تصویر

چکیده

در این مقاله یک تحلیل تجربی از عملکرد شبکه های عصبی کانولوشه ای محبوب (CNNs) برای شناسایی اشیاء در فید های ویدئویی در زمان واقعی ارائه شده است. شبکه های عصبی پیچیده ترین شبکه برای شناسایی شیء و طبقه بندی دسته بندی شیء از تصاویر، Alex Nets، GoogLeNet و ResNet50 هستند. مجموعه متنوعی از مجموعه داده های تصویری برای تست عملکرد انواع مختلف CNNموجود است. مجموعه داده های معیاری رایج برای ارزیابی عملکرد یک شبکه عصبی کانولوشن مجموعه داده های ImageNet و مجموعه داده های تصویری CIFAR10، CIFAR100 و MNIST است. ما سه نمونه محبوب ترین مجموعه های ImageNet، CIFAR10 و CIFAR100 را برای مطالعه ما گرفته ایم. از آنجا که تست عملکرد یک شبکه در یک مجموعه داده ها، توانایی و محدودیت های واقعی آن را نشان نمی دهد. لازم به ذکر است که فیلم ها به عنوان یک مجموعه داده های آموزشی مورد استفاده قرار نمی گیرند، آنها به عنوان مجموعه داده های آزمایشی مورد استفاده قرار می گیرند. تجزیه و تحلیل ما نشان می دهد که GoogLeNet و ResNet50 قادر به تشخیص اشیا با دقت بهتر در مقایسه با Alex Net هستند. علاوه بر این، عملکرد CNN های آموزش دیده به طور قابل توجهی در دسته های مختلفی از اشیا متفاوت است و بنابراین ما دلایل ممکن برای این موضوع را مورد بحث قرار خواهیم داد.