کنفرانس بین المللی محاسبات نرم

صفحه اصلی / چهارمین کنفرانس بین المللی محاسبات نرم

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

نویسندگان :

فرشته شریفی¹ امین ترابی جهرمی² احمد کشاورز³

1- دانشگاه خلیج فارس 2- دانشگاه خلیج فارس 3- دانشگاه خلیج فارس

کلمات کلیدی :

تصاویر فراطیفی، شبکه عصبی کانولوشن، ماشین بردار پشتیبان، استخراج ویژگی، طبقه بندی

چکیده :

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 معمولاً براساس استخراج و انتخاب ویژگی ها به صورت دستی، طبقه بندی انجام می شد، که با صرف زمان و انرژی زیادی همراه بود. در مقابل، شبکه عصبی کانولوشنCNN ، 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 معمولاً 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. می توان با استفاده از ترکیب SVM باCNN دقت طبقه بندی را بهبود بخشید.