ترکیب شبکه عصبی کانولوشن و ماشین بردار پشتیبان برای طبقه بندی تصاویر فراطیفی

چکیده مقاله

تاکنون پژوهش های زیادی در زمینه ی طبقه بندی تصاویر فراطیفی انجام شده است برای تشخیص و طبقه بندی تصاویر ابتدا نیاز به تکنیک های استخراج ویژگی است و براساس ویژگی های استخراج شده از الگوریتم های طبقه بندی استفاده می گردد قبل از ظهور یادگیری عمیق معمولا براساس استخراج و انتخاب ویژگی ها به صورت دستی، طبقه بندی انجام میشد، که با صرف زمان و انرژی زیادی همراه بود در مقابل شبکه عصبی کانولوشن CNN، که به طور گسترده در بینایی رایانه به کار گرفته شده است، می تواند به طور خودکار ویژگی ها را از داده های آموزشی استخراج کند، اما آموزش CNN معمولا به نمونه ی آموزشی زیادی نیاز دارد و باعث مسئله overfit می شود از سوی دیگر، SVM دارای قابلیت تعمیم خوب است و می تواند مشکل نمونه آموزشی کم را حل کند بنابراین، در این مقاله، از مدل ترکیبی CNN SVM برای استفاده از مزایای هر دو، برای طبقه بندی تصاویر فراطیفی پیشنهاد شده است در مقایسه با طبقه بندی کننده رایج که طبقه بندی را با ویژگی های دست ساز انجام می دهد، مدل ترکیبی CNN SVM می تواند ویژگی هایی را که به طور خودکار با CNN استخراج شده را با SVM طبقه بندی کند میتوان با استفاده از ترکیب SVM با CNN دقت طبقه بندی را بهبود بخشید

کلیدواژه‌ها

نویسندگان

فرشته شریفی

دانشجوی کارشناسی ارشد، گروه مهندسی برق، دانشکده مهندسی سیستم های هوشمند و علوم داده، دانشگاه خلیج فارس

امین ترابی جهرمی

استادیار، گروه مهندسی برق، دانشکده مهندسی سیستم های هوشمند و علوم داده، دانشگاه خلیج فارس

احمد کشاورز

دانشیار، گروه مهندسی برق، دانشکده مهندسی سیستم های هوشمند و علوم داده، دانشگاه خلیج فارس

�ریفی، فرشته و ترابی جهرمی، امین و کشاورز، احمد،1400،ترکیب شبکه عصبی کانولوشن و ماشین بردار پشتیبان برای طبقه بندی تصاویر فراطیفی،چهارمین کنفرانس بین المللی محاسبات نرم

ارائه‌شده در

مجموعه مقالات چهارمین کنفرانس بین المللی محاسبات نرم8 دی 1400