کیمیا فرهمندراد
مقایسه ی عملکرد دو شبکه ی عصبی پیچشی AlexNet و VGG-۱۶ و کاربرد آن در کشاورزی
- دانشجو
- کیمیا فرهمندراد
- استاد راهنما
- وحید رضایی تبار
- استاد مشاور
- رضا پورطاهری
- استاد داور
- محمدرضا صالحی راد
- مقطع تحصیلی
- کارشناسی ارشد
- تاریخ دفاع
- ۳۱ شهریور ۱۴۰۳
- ساعت دفاع
- چکیده
-
شبکه‌های عصبی یک روش قدرتمند در علم کامپیوتر و هوش مصنوعی هستند که براساس ساختار و عملکرد مغز انسان الهام گرفته شده اند. این شبکه‌ها از یک سری اتصالات به نام نورون‌ها تشکیل شده اند که اطلاعات را از ورودی‌ها به خروجی‌ها منتقل می‌کنند. هر نورون اطلاعات را دریافت کرده، آن‌ها را پردازش می‌کند و سپس خروجی مشخصی را تولید می‌کند که به نورون‌های دیگر منتقل می‌شود. یکی از ویژگی‌های مهم شبکه‌های عصبی این است که می‌توانند اطلاعات را به صورت غیرخطی پردازش کنند و الگو‌های پیچیده‌ای را تشخیص دهند. علاوه بر این، با استفاده از روش‌های یادگیری، مانند یادگیری با ناظر و یادگیری بدون ناظر، می‌توانند به طور خودکار از داده‌ها الگو‌ها و ویژگی‌های مفیدی را استخراج کرده و برای پیش‌بینی‌ها و تصمیم‌گیری‌های آینده استفاده کنند. از شبکه‌های عصبی در بسیاری از حوزه‌ها مانند پردازش تصویر و صدا، تشخیص بیماری‌ها با استفاده از اشعه‌ی ایکس، ترجمه‌ی ماشینی، تشخیص اشیاء برای ماشین‌های خودران و پیش‌بینی بازار سهام استفاده می‌شود. شبکه‌های عصبی انواع مختلفی دارند که در مورد هریک از آن‌ها به تفصیل در این پایان نامه پرداخته می‌شود و سپس دو نوع شبکه‌ی عصبی پیچشی، AlexNet و VGG-۱۶ را با یکدیگر مقایسه کرده و در رده‌بندی تصاویر ارزیابی می‌کنیم که کدام یک دقت بالاتری را خواهد داشت.
- Abstract
-
Neural networks are a powerful method in computer science and artificial intelligence, i ired by the structure and function of the human brain. These networks are composed of a series of connections called neurons that transmit information from inputs to outputs. Each neuron receives information, processes it and then produces a specific output that is transmitted to other neurons. One of the important features of neural networks is that they can process information non-linearly and recognize complex patterns. In addition, by using learning methods, such as supervised learning and unsupervised learning, they can automatically extract useful patterns and features from the data and use them for future predictions and decisions. Neural networks are used in many areas such as image and audio processing, diseases diagnosis using X-rays, machine translation, object recognition for self-driving cars and stock market forecasting. There are different types of neural networks, each of which is discussed in detail in this thesis, then we compare two types of convolutional neural networks AlexNet and VGG-۱۶ and evaluate which one will have higher accuracy in image classification.