یادگیری موثر برای طبقه بندی تصویر بیولوژیکی

قیمت: 47,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

یادگیری موثر برای طبقه بندی تصویر بیولوژیکی

عنوان لاتین

Deep learning for biological image classification

تعدادی از صنایع، از بازرسی انسانی برای تشخیص کیفیت محصولات خود و مواد اولیه مورد استفاده در فرآیند تولید استفاده می کنند. این فرآیند می تواند به صورت خودکار از طریق پردازش تصویر دیجیتالی انجام شود. صنایع برای یک مشکل خاص، همیشه به روش دقیق تر علاقمند نیستند، بلکه به روش های مناسب تر برای نتایج مورد نظر علاقمندند، بنابراین باید بین دقت و هزینه محاسبات، تعادل برقرار کرد. در اين مقاله طبقه بندي كيفيت صفحات چوب بر مبناي تصاوير آن بررسي شده است. بدین منظور، استفاده از یادگیری عمیق، به ویژه شبکه های عصبی مصنوعی را، با ترکیبی از تکنیک های استخراج ویژگی های بافت و تکنیک های سنتی مقایسه می کند: الگوریتم های درخت تصمیم گیری، شبکه های عصبی، نزدیکترین همسایه گی و ماشین های بردار پشتیبانی را مقایسه می کند. مطالعات گزارش داده شده نشان می دهد که تکنیک های یادگیری عمیق برای کارهای پردازش تصویر به کار رفته اند، عملکرد پیش بینی شده بهتری را به نسبت تکنیک های طبقه بندی سنتی، عمدتا در سناریوهای به شدت پیچیده، داشته اند. یکی از دلایل ذکر شده، مکانیسم استخراج ویژگی های تعبیه شده آنها است. روش های یادگیری عمیق، به طور مستقیم ویژگی ها را با مرتبط درنظر گرفلتن آن ها در یک مجموعه داده های داده شد، شناسایی و استخراج می کند. با این حال، نتایج تجربی برای مجموعه داده های تصویری نشان داده است که روش توصیفگر بافت ارائه شده، بدون در نظر گرفتن استراتژی به کار رفته، در مقایسه با شبکه عصبی همجوشب، برای تمام آزمایش های انجام شده، بسیار رقابتی است. بهترین عملکرد روش توصیفگر بافتی می تواند ناشی از ماهیت داده های تصویر باشد. در نهایت، به برخی از دیدگاه های پیشرفت های آینده با استفاده از روش یادگیری فعال و نیمه نظارتی اشاره شده است.

A number of industries use human inspection to visually classify the quality of their products and the raw materials used in the production process, this process could be done automatically through digital image processing. The industries are not always interested in the most accurate technique for a given problem, but most appropriate for the expected results, there must be a balance between accuracy and computational cost. This paper investigates the classification of the quality of wood boards based on their images. For such, it compares the use of deep learning, particularly Convolutional Neural Networks, with the combination of texture-based feature extraction techniques and traditional techniques: Decision tree induction algorithms, Neural Networks, Nearest neighbors and Support vector machines. Reported studies show that Deep Learning techniques applied to image processing tasks have achieved predictive performance superior to traditional classification techniques, mainly in high complex scenarios. One of the reasons pointed out is their embedded feature extraction mechanism. Deep Learning techniques directly identify and extract features, considered by them to be relevant, in a given image dataset. However, empirical results for the image data set have shown that the texture descriptor method proposed, regardless of the strategy employed is very competitive when compared with Convolutional Neural Network for all the performed experiments. The best performance of the texture descriptor method could be caused by the nature of the image dataset. Finally are pointed out some perspectives of futures developments with the application of Active learning and Semi supervised methods.