ترکیب شبکه عصبی فازی پویا و مدل های پیش آموزش دیده شبکه عصبی کانولوشن به منظور طبقه بندی تصاویر فراطیفی

چکیده مقاله

اخیرا روش های مبتنی بر یادگیری عمیق در زمینه طبقه بندی تصویر فراطیفی محبوبیت زیادی به دست آورده اند با این حال، آموزش یک مدل یادگیری عمیق به تعداد زیادی نمونه برچسب دار نیاز دارد،که معمولا در تصاویر فراطیفی غیر عملی است در این مقاله، یک روش استخراج ویژگی ساده اما موثر برای طبقه بندی تصویر فراطیفی و یک روش طبقه بندی فازی با استفاده از ویژگی های استخراج شده پیشنهاد شده است یک شبکه عصبی کانولوشن عمیق از پیش آموزش دیده بر اساس مجموعه داده ImageNet برای استخراج ویژگی های مکانی یک تصویر فراطیفی استفاده می شود مدل های از پیشآموزش دیده با استفاده از مجموعه داده ImageNet آموزش می بینند این بدان معناست که روش پیشنهادی برای آموزش مدل عمیق به تعداد زیاد نمونه های فراطیفی دارای برچسب نیازی ندارد بنابراین سرعت استخراج ویژگی تصاویر فراطیفی، با این مدل شبکه های کانولوشن چون نیازی به آموزش مدل یادگیری عمیق ندارد، سریع است در نهایت، ویژگی های طیفی استخراج شده به عنوان ورودی طبقه بندی کننده DFNN قرار می گیرند DFNN مبتنی بر شبکه های عصبی RBF هستند، که نورون ها را با توجه به عملکرد آن در سیستم به صورت خودکار اضافه یا حذف می کند و می تواند ساختار و پارامترها را همزمان تنظیم کند روش پیشنهادی بر روی دو مجموعه داده تصویری فراطیفی ارزیابی می شود

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 فازی پویا و مدل های پیش آموزش دیده شبکه عصبی کانولوشن به منظور طبقه بندی تصاویر فراطیفی،چهارمین کنفرانس بین المللی محاسبات نرم

ارائه‌شده در

مجموعه مقالات چهارمین کنفرانس بین المللی محاسبات نرم8 دی 1400