بازیابی تصویر با استفاده از یادگیری عمیق

بازیابی تصویر با استفاده از یادگیری عمیق


  • 236 بازدید

 آکادمی داده  که به زودی پنجمین سال فعالیت خود را جشن می گیرد سالهاست به دنبال ایجاد محتوای مفید برای علاقه مندان علوم داده‌کاوی، متن کاوی و علوم مرتبط با علم داده، مدیریت دانش، هوش تجاری و مباحث مرتبط است.  آکادمی داده  امیدوار است با این اقدامات بتواند اثری هر چند اندک در افزایش آگاهی علاقه مندان به این حوزه ها داشته باشد. در این سری مقالات  آکادمی داده  تلاش دارد مقالات جالب، جدید، پر محتوا و اثرگزار را در علوم داده‌کاوی، متن کاوی، مدیریت دانش، هوش تجاری و مباحث مرتبط ارایه نماید. در این سری مقالات ابتدا مقدمه و سپس نتیجه گیری مقالات ارایه شده است و سپس‌ فایل پی دی اف مقاله برای دانلود رایگان علاقه مندان توسط  آکادمی داده تهیه شده و قابل دانلود است.

خلاصه
امروزه اهمیت بازیابی تصویر بر کسی پوشیده نیست. با توجه به پیشرفت روزافزون در ذخیره ی داده و تکنولوژی تصویری، حجم داده ها افزایش پیدا کرده است و نیازمند سیستمی کارآمد برای مدیریت این اطلاعات می باشیم. از چندین دهه قبل تحقیق بر روی روش های بازیابی یکی از زمینه های مورد علاقه ی محققان بوده است و روش هایی برای این منظور ابداع کرده اند. در این مقاله ابتدا دو روش معمول بازیابی تصویر مانند بازیابی بر پایهی کلمه و بازیابی بر پایه ی محتوا را بررسی می کنیم. با توجه به روند رو به افزایش حجم اطلاعات و تصاویر با توجه به شکاف معنایی موجود در استخراج ویژگی به روش های سنتی و ادراک انسان، روش های معمول و سنتی کارآمد بوده و نیازمند ابداع روش های جدید هستیم تا این نیازها را برآورده سازد. بنابراین در این مقاله روشی جدید مبتنی بر یادگیری عمیق معرفی می شود و به طور خاص نقش شبکه های عصبی کانولوشن عمیق به عنوان نمونه ای پرکاربرد و موفق از شبکه های عصبی عمیق را در بازیابی تصویر بررسی می کنیم و به مقایسهی الگوریتم های موجود می پردازیم.

نتیجه گیری
امروزه با توجه به پیشرفت تکنولوژی بازیابی اطلاعات و مخصوصا بازیابی تصاویر اهمیت ویژه ای پیدا کرده است. در این مقاله روش های سنتی بازیابی تصویر را معرفی کرده و اشکالات آن را بیان کردیم، سپس رویکردی نوظهور به نام یادگیری عمیق را معرفی کرده و به طور خاص شبکه های عصبی کانولوشن را به عنوان یکی از بهترین و مهم ترین الگوریتم های یادگیری عمیق جهت دسته بندی و بازیابی تصاویر معرفی کردیم، طرز کار انواع لایه های این شبکه عصبی را مفصلا توضیح دادیم و معماری های موجود را معرفی و با هم مقایسه کردیم و نشان دادیم که این شبکه های عصبی کانولوشن از دقت بالاتری نسبت به سایر روش ها برای بازیابی تصاویر برخوردار هستند، امید است با افزایش روزافزون ظرفیت محاسبه ی سخت افزارها ، با عمیق تر کردن لایه های این شبکه ها به دقت بالاتری دست یابیم.

این مقاله توسط آکادمی داده تهیه شده است و از طریق لینک قابل دسترسی است. محققین علاقه مند می توانند آن را به صورت رایگان دریافت نمایند. 

اگر در حال پژوهش در حوزه داده کاوی هستید، سوالات و اشکالات خود را از طریق تلگرام با آکادمی داده در میان بگذارید. با عضو شدن در کانال تلگرام  آکادمی داده از مقالات جدید و دیتاست های منتشر شده مطلع شوید. 

مجموعه مقالات فارسی در مورد یادگیری عمیق که شامل 50 مقاله فارسی در مورد الگوریتم ها و روش های یادگیری عمیق است به صورت یکجا نیز از طریق لینک قابل دسترسی هستند. 

اگر در زمینه داده کاوی در حال تحقیق یا پیاده سازی پروژه یا پایان نامه هستید برای گرفتن مشاوره یا دادن سفارش انجام با ما تماس بگیرید.  آکادمی داده در تلگرام (https://t.me/dataacademyحضور دارد برای ارتباط از طریق ایمیل آدرس جیمیل: dataacademyir@gmail.com می باشد.