شبكه عصبي كانولوشن عميق – CNN و طبقه بندي تصاوير بزرگ با تعداد بالا

Deep convolutional neural network - CNN and large image classification with high numbers

در زمينه بينايي ماشين و طبقه بندي تصاوير تا كنون مدل ها و روش هاي بسياري معرفي شده است ،اما به ‏صراحت مي توان گفت كه الگوريتم ها و ‏مدل هاي مختلف پژوهش هاي مبتني بر شبكه عصبي ‏ جاي خود را ‏در ميان طبقه بندي تصاوير به خوبي باز كرده اند . جدا از ‏كاربرد هايي كه اين علم در شناسايي الگوها، پردازش ‏تصوير و رويت، هوش مصنوعي، كنترل ربات ها دارد، ابعاد تاثير گذاري در زندگي روزمره و دنياي واقعي مثل دامنه ‏هاي كشاورزي ، پيش بيني آب و هوا ، علوم پزشكي و ‏مهندسي و راه و غيره داشته است ، دقت الگوريتم و ‏مسير اجرايي در تشخيص و طبقه بندي بسيار مهم ‏است .هدف اصلي اين معماري ها اين است كه مدلي شبيه ‏به سيستم داخلي مغز انسان براي تجزيه و تحليل سيستم هاي مختلف بر اساس تجربه ‏ ارائه دهند ، از اين رو غايت ‏نهايي اين الگوريتم ها اين است كه بتوان در شبكه هاي مصنوعي طوري مسير آموزش براي يادگيري عميق ‏ را ‏طي كرد تاشبكه تشخيصي نزديك ‏مغز انسان داشته باشد ، اين خود جنبه ديگري از معماري هايي است كه مي ‏خواهيم در اينجا به آنها نفوذ كرده و بدانيم الگوريتم چقدر مي تواند شبيه به مغز انسان عمل كند و تصاوير را ‏تشخيص دهد؟ اين همان مبحث دقت الگوريتم است. ‏ثابت شده است از بين انواع شبكه هاي عصبي، شبكه ‏هاي عصبي كانولشنال ‏ (CNN) ‎معمولا دقت خوبي را در طبقه بندي تصاوير ارائه مي كنند . يكي از ايراداتي كه ميتوان به شبكه هاي عصبي عميق وارد كرد اين است كه عمق بالا مي تواند باعث افزايش هزينه محاسباتي در عملكرد تشخيص و طبقه بندي تصوير شود . به همين ‏ در ‏اين مطالعه به بررسي معماري مي پردازيم كه از مدلي با چندين واحد GPU كمك ميگيرد .

In the field of machine vision and the classification of images, so far, many models and methods have been introduced, but it can be clearly stated that different algorithms and models of neural network based research are among the categories The pictures are well opened. Apart from the applications that this science has in identifying patterns, image processing and visualization, artificial intelligence, controlling robots, impact dimensions in everyday life and real world, such as agricultural domains, weather forecasts, medical sciences and Engineering, road and so on, the accuracy of the algorithm and the path of execution in the identification and classification is very important. The main purpose of these architectures is that a model similar to the human brain system for analyzing various systems based on The experience of the provider, therefore, is the ultimate ending of these algorithms that can be used in artificial networks as a learning pathway for deep learning This is the same as the accuracy of the algorithm. It has been proven that CNN neural networks (CNNs) often provide good accuracy in categorizing images among all types of neural networks. One of the drawbacks to deep neural networks is that the high depth can increase the computational cost of the image recognition and classification function. So in this study, we will examine the architecture of a model with several GPU units.