طبقه بندی تصاویر با یادگیری عمیق

با پیشرفت های انجام شده در زمینه تصویربرداری و تولید تصاویر دیجیتال با رزولوشن بالا نیاز به دسته بندی دقیق تصاویر احساس می گردد به نحوی که یکی از اساسی ترین قسمتهای پردازش تصویر دسته بندی تصاویر می باشد نکته مهم در دسته بندی تصاویر ارائه روشی با دقت بالا برای این کار است. دسته بندی تصاویر به این دلیل اهمیت زیادی دارد که از آن می توان در مواردی مانند پزشکی، نظامی، سازمان های مختلف و غیره استفاده نمود. بنابراین، اطلاعات به دست آمده از تصاویر مختلف را می توان به روش های گوناگونی دسته بندی کرد که بستگی به روش پردازش به کار رفته در تصاویر دارد ولی آنچه به عنوان یک اصل واحد در موارد دسته بندی مورد توجه قرار گرفته است خصوصیاتی چون رنگ، اندازه و غیره در هر ناحیه است، که می توان آنها را خصوصیات ظاهری و بارز تصویر نامید. در سال های اخیر روش های زیادی برای دسته بندی تصاویر ارائه شده است تمامی روش های مطرح شده به نحوی بر محتوای تصاویر توجه دارند و تا حد امکان از وارد شدن به بحث زیباشناسی تصویر پرهیز کرده اند.

هوش مصنوعی فیسبوک به کمک یادگیری عمیق قادر به تشخیص تصاویر و اشیاء موجود در تصاویر خواهد شد. تاکنون عکس ها و تصاویر در فیسبوک و اینستاگرام به کمک هشتگ ها و برچسب گذاری ها دسته بندی می شدند و این برچسب گذاری ها در مواردی به درستی صورت نمی گرفت ضمن اینکه بسیاری از تصاویر فاقد برچسب بودند و در نتیجه در دسته بندی های مختلف قرار نمی گرفتند. از سوی دیگر برچسب گذاری تصاویر کار نسبتا دشواری برای میلیون ها عکس خواهد بود. به همین دلیل فیسبوک تصمیم گرفت تا به کمک یادگیری عمیق و با نظارت محدود انسانی این دسته بندی ها را اعمال کند. امروزه الگوريتم ها و مدل هاي مختلف پژوهش هاي مبتني بر شبکه عصبي، جاي خود را در ميان طبقه بندي تصاوير به خوبي باز کرده اند. هدف اصلي اين الگوريتم ها اين است که در شبکه هاي مصنوعي، ماشين به شکلي آموزش ببيند که در نهايت تشخيصي نزديک مغز انسان داشته باشد. از بين انواع شبکه هاي عصبي، شبکه هاي عصبي کانالوشن (CNN) معمولا دقت خوبي را در طبقه بندي تصاوير ارائه مي کنند.

• کمک به افراد برای کارهای نظارتی
• دسته بندی اشیا
• خودکار کردن عملیات خرید و فروش محصولات (حضوری – اینترنتی)
• سیستم های کنترل
• شناسایی نوع سرطان
• کاربرد چشم انداز کامپیوتر در خرده فروشی
• سفارشی کردن تجربیات با استفاده از تشخیص چهره.
• شناسایی اشیا

از فناوری‌های یادگیری عمیق، شبکه‌های عصبی کانولوشن (CNNs)در زمینه تصاویر پزشکی، از محبوبیت بالاتری برخوردار هستند. بیشتر تکنولوژی‌های یادگیری عمیق مربوط به غربالگری سرطان، بر اساس CNNها می‌باشند. به‌کارگیری شبکه‌های عصبی کانولوشن از اواخر دهه 1970 آغاز شده و از سال 1995 به تجزیه و تحلیل تصاویر پزشکی اعمال شده است. یادگیری عمیق، یک روش جدید برای اعمال یادگیری ماشین است؛ زیرا براساس یادگیری داده‌هاست. شبکه‌های عصبی کانولوشن عمیق، یک نوع روش یادگیری عمیق می‌باشند که در آن فیلترها قابل تعویض هستند و عملیات ادغام بر روی تصاویر ورودی اعمال می‌شود و مجموعه‌ای سطح بالا از ویژگی‌ها را به‌صورت خودکار استخراج می‌کند. استخراج سطح بالای این ویژگی‌ها باعث می‌شود تا مفاهیم گسترده و پیچیده به مفاهیم ساده‌تری تقسیم شود که این مفاهیم ساده، ماشین را قادر به تصمیم‌گیری برای آنها می‌سازد و بدین‌ترتیب نیازی به نظارت کامل انسان برای مشخص‌کردن اطلاعات لازم ماشین در هر لحظه نیست. در یادگیری عمیق، ویژگی‌های غیرخطی چندین لایه استخراج می‌شوند و به یک دسته‌بند اعمال شده و آن هم این ویژگی‌ها را با هم ترکیب می‌کند تا بتواند یک پیش‌بینی انجام دهد.