دانلود پروژه: بهبود مدل سلسله مراتبی بازشناسایی اشیا مبتنی بر ویژگی­های با پیچیدگی متوسط

تعداد96 صفحه در فایل word

 رشته هوش مصنوعی

بهبود مدل سلسله مراتبی بازشناسایی اشیا مبتنی بر ویژگی­های با پیچیدگی متوسط

چکیده

انتخاب ویژگی های تصویری حاوی اطلاعات، یک مؤلفه بسیار مهم از یک مدل دسته بندی موفق است. تعدادی از روش های دسته بندی اخیر، از ویژگی های متشکل از تکه های تصویر و یا قطعات انتخاب شده از تصاویر آموزشی در طول مرحله یادگیری استفاده می کنند. موفقیت این روش ها به طور عمده به دو دلیل می باشد: نخست آنکه، آن روش ها بخش های مشترک که اشیاء مختلف درون کلاسی را توصیف می نمایند، را شناسایی می کنند و دوم آنکه، این بخش ها به گونه ای با هم ترکیب می شوند که نسبت به تغییرات داده های آموزشی پایدار باشند. در حقیقت یک سوال اساسی در مطالعه پردازش بینایی، مسئله “انتخاب ویژگی” است: چه ویژگی هایی از یک تصویر توسط قشر بینایی استخراج و بازنمایی می شود؟ نواحی مختلفی از مغز در پردازش شی تصویری درگیر هستند، و ویژگی های متفاوتی در مراحل مختلف بازنمایی می گردد. در مراحل اولیه پردازش، که شامل شبکیه چشم، هسته های خمیده جانبی و قشر بینایی اولیه (V1) می باشد، تصویر توسط ویژگی های محلی ساده مانند میدان های پذیرنده مرکز-محیط، خطوط جهت دار و لبه ها بازنمایی می شود.

در سال 2002، شیمن اولمن و همکارانش به وسیله تحلیل های محاسباتی و شبیه سازی ها، نشان داده اند که ویژگی هایی با پیچیدگی متوسط و نماهای جزئی شی برای دسته بندی شی تصویری بهینه هستند. این ویژگی ها به طور خودکار زمانی که سیستم برای به حداکثر رساندن اطلاعات ارائه شده با توجه به کلاس تصاویر تنظیم شده است، انتخاب شده اند. شبیه سازی ها نشان داده است که ویژگی هایی با پیچیدگی متوسط نسبت به ویژگی هایی بسیار پیچیده یا بسیار ساده دارای اطلاعات بیشتری هستند و در طول دسته بندی بصری، ویژگی های استخراج شده ظرفیت تعمیم گسترده به نمونه های جدید درون کلاسی را دارند. در این پایان نامه، مسئله انتخاب ویژگی با استفاده از ویژگی های معرفی شده توسط شیمن اولمن مورد توجه قرار می گیرد و هدف آن است که براساس ویژگی های انتخاب شده توسط مدل اولمن، با ویژگی های انتخاب شده توسط مدل سلسله مراتبی بازشناسی اشيا  (HMAX) مقایسه شده و بر مبنای خاصیت ویژگی های استخراج شده اولمن، آن مدل محاسباتی مغز بهبود یابد. نتایج نشان می­دهد که این تکه­ها حاوی اطلاعات بیشتر و مفیدتری نسبت به تکه­های معمول که به روش تصادفی در مدل HMAX انتخاب می­شوند هستند. همچنین نتایج آزمایش­ها نشان می­دهد که این ویژگی­های انتخاب شده که بخش­هایی از اشیا هدف را ارایه می­دهند مجموعه­ای کارآمد برای تشخیص اشیا می­باشند.

کلمات کلیدی: مدل بازشناسی اشیا، قشر بینایی، مدل سلسله مراتبی، ویژگی­های پیچیدگی متوسط، انتخاب ویژگی.