view in publisher's site

Image Classification Using Convolutional Neural Networks With Multi-stage Feature

Convolutional neural networks (CNN) have been widely used in automatic image classification systems. In most cases, features from the top layer of the CNN are utilized for classification; however, those features may not contain enough useful information to predict an image correctly. In some cases, features from the lower layer carry more discriminative power than those from the top. Therefore, applying features from a specific layer only to classification seems to be a process that does not utilize learned CNN’s potential discriminant power to its full extent. This inherent property leads to the need for fusion of features from multiple layers. To address this problem, we propose a method of combining features from multiple layers in given CNN models. Moreover, already learned CNN models with training images are reused to extract features from multiple layers. The proposed fusion method is evaluated according to image classification benchmark data sets, CIFAR-10, NORB, and SVHN. In all cases, we show that the proposed method improves the reported performances of the existing models by 0.38%, 3.22% and 0.13%, respectively.

طبقه‌بندی تصویر با استفاده از شبکه‌های عصبی مصنوعی با ویژگی‌های چند مرحله‌ای

؟ شبکه‌های عصبی مصنوعی (سی ان ان)به طور گسترده در سیستم‌های طبقه‌بندی تصویر خودکار استفاده شده‌اند. در اغلب موارد، ویژگی‌هایی از لایه فوقانی سی ان ان برای طبقه‌بندی بکار رفته‌است؛ با این حال، این ویژگی‌ها ممکن است حاوی اطلاعات مفید کافی برای پیش‌بینی درست یک تصویر نباشند. در برخی موارد، ویژگی‌هایی از لایه پایین‌تر قدرت تفکیک پذیری بیشتری نسبت به قسمت‌های بالایی دارند. بنابراین اعمال ویژگی‌ها از یک لایه خاص تنها به طبقه‌بندی به نظر می‌رسد فرآیندی است که از قدرت تفکیک بالقوه سی ان ان به میزان کامل آن استفاده نمی‌کند. این ویژگی ذاتی منجر به نیاز به ترکیب ویژگی‌ها از چندین لایه می‌شود. برای پرداختن به این مشکل، روشی برای ترکیب ویژگی‌ها از چندین لایه در مدل سی ان ان پیشنهاد می‌کنیم. علاوه بر این، در حال حاضر از مدل‌های سی ان ان با استفاده از تصاویر آموزشی برای استخراج ویژگی‌ها از چندین لایه استفاده شده‌است. روش ترکیب پیشنهادی با توجه به مجموعه داده‌های معیار طبقه‌بندی تصویر، CIFAR - ۱۰، NORB و SVHN مورد ارزیابی قرار می‌گیرد. در تمام موارد، ما نشان می‌دهیم که روش پیشنهادی عملکرد گزارش‌شده مدل‌های موجود را به ترتیب ۰.۳۸ درصد، ۳.۲۲ درصد و ۰.۱۳ % بهبود می‌بخشد.
ترجمه شده با

سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.