مقایسه روش های یادگیری عمیق Mask R-CNN و CRF-RNN به منظور شناسایی و قطعه بندی سر نوزاد در تصاویر رنگی

چکیده مقاله

امروزه الگوریتم های فراوانی به منظور شناسایی و قطعه بندی تصاویر ارائه شده است ولی تمام الگوریتم های موجود در این حوزه عملکرد موفقی نداشته اند، به ویژه زمانی که قطعه بندی یک شئی خاص در تصاویر متفاوت مد نظر باشد بنابراین الزم است که از الگوریتم های سنتی قطعه بندی عبورکرده و به سمت الگوریتم های مبتنی بر شبکه های عصبی عمیق رفت هدف از این مقاله، مقایسه دو الگوریتم شبکه عصبی عمیق به منظور شناسایی و قطعه بندی سر نوزاد در تصاویر رنگی می باشد بر اساس این تحقیق الگوریتم Mask R CNN به منظور شناسایی و قطعه بندی سر نوزاد آموزش داده شد و نتایج آن با نتایج روش CRF RNN مورد ارزیابی و مقایسه قرار گرفت و توانست نتایج به مراتب بهتری خصوصا در تصاویر چالشی به دست آورد در این تحقیق مشخص شد که می توان از روش Mask R CNN به عنوان یک روش مطمئن به منظور شناسایی و قطعه بندی سر نوزاد در تصاویر استفاده نمود

کلیدواژه‌ها

نویسندگان

فرزاد زارع زاده

دانشجوی کارشناسی ارشد فتوگرامتری، دانشکده نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی

علی حسینی نوه

استادیار گروه فتوگرامتری و سنجش از دور، دانشکده نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی

زهره حبیبی

استادیار دانشکده پزشکی، دانشگاه علوم پزشکی و خدمات بهداشتی درمانی تهران

�ارع زاده، فرزاد و حسینی نوه، علی و حبیبی، زهره،1397،مقایسه روش های یادگیری عمیق Mask R-CNN و CRF-RNN به منظور شناسایی و قطعه بندی سر نوزاد در تصاویر رنگی،بیست و پنجمین همایش و نمایشگاه ملی ژئوماتیک و سومین کنفرانس مهندسی فناوری اطلاعات مکان،تهران

ارائه‌شده در

مجموعه مقالات بیست و پنجمین همایش و نمایشگاه ملی ژئوماتیک و سومین کنفرانس مهندسی فناوری اطلاعات مکان30 آبان 1397 · تهران