طبقه بندی تصاویر؟

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.

کاربرد طبقه بندی تصاویر؟

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

طبقه بندی با یادگیری عمیق ؟

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.

هدف از این دوره آموزشی:

هدف از این دوره طبقه بندی تصاویر دیجیتال با یادگیری عمیق است. این پروژه توانا در طبقه بندی تصاویر دیجیتال از یک عکس دیجیتالی می‌باشد. در این دوره طبقه بندی تصاویر دیجیتال با استفاده از الگوریتم های شبکه عصبی و تکنیک های Deep Learning به سرعت عملیات یادگیری را انجام داده و پس از آن به راحتی و با سرعت بالا طبقه بندی تصاویر دیجیتال مورد نظر را انجام می­ دهد. در این دوره طبقه بندی تصاویر دیجیتال (یک بعدی – دو بعدی – سه بعدی ) با یادگیری عمیق در پایتون انجام می شود که با فیلم آموزشی کامل روند طبقه بندی تصاویر دیجیتال تشریح و پیاده سازی می شود. مجموعه های داده ای معرفی می شوند و عملیات آموزش و تست شبکه انجام می شود. خروجی های حاصل از طبقه بندی روی هر یک از شبکه ها نشان داده می شود. پروژه قابلیت آموزش روی داده های دلخواه خودتان را دارد و می توانید عملیات طبقه بندی تصویر مورد نظر خود را با آن انجام دهید. در این دوره ابتدا یک مرور کامل روی پایتون انجام می شود و در ادامه با دو کتابخانه مشهور keras و pytorch عملیات طبقه بندی انجام می شود. بدون شک یکی از بهترین پروژه های عمیق برای طبقه بندی تصاویر رنگی می باشد که با زبان فارسی و روان توضیح داده شده است. امیدواریم که این آموزش از “بیگ لرن” هم مثل سایر آموزش ها مورد تایید و رضایت شما مخاطبان گرامی قرار گیرد.

بخش اول: مرور کامل روی پایتون
بخش دوم: مرور یادگیری ماشین.عمیق
بخش سوم: طبقه بندی تصاویر با کتابخانه keras
بخش چهارم: طبقه بندی تصاویر با کتابخانه PYTORCH
مشاهده بیشتر

نظرات

متوسط امتیازات

5
5.00 1 رای
100,000 تومان
1 نقد و بررسی

جزئیات امتیازات

5 ستاره
1
4 ستاره
0
3 ستاره
0
2 ستاره
0
1 ستاره
0

1 دیدگاه برای طبقه بندی تصاویر با یادگیری عمیق

  1. پارسا

    سلام من این دوره را تهیه کردم و خیلی راضی بودم. هم توضیحات کامل بود و پروژه قابلیت آموزش روی داده های دلخواه را دارد. تشکر

دیدگاه خود را بنویسید