چکیده: الگوریتم های آموزش عمیق در بسیاری از مسائل بازشناسی الگو، نتایجی در سطح انسان و یا بهتر می توانند به ثبت رسانند. اما این نتایج با مکانیسمی متفاوت از مغز انسان به دست آمده است. مدل پیشنهادی در این مقاله یک الگوریتم تقسیم بندی و درون یابی با الهام از مغز انسان را توصیف نموده و بعد از لایه ورودی، لایه‌ی شبکیه اعمال ‌شده است که به پیروی از شبکیه چشم، عمل رمزنگاری بر روی تصویر ورودی را انجام می‌دهد. سپس تصویر ورودی به فضای ثانی انتقال می‌یابد که تلاش برای تغییر ساختار شبکه عمیق با الهام از مسیر بینایی مغز خواهد بود. بازخورد شبکه، نرخ بازشناسی و سطح انرژی شبکه و یا جامعیت شبکه ی آموزش دیده در زیرمجموعه هایی از مجموعه داده کلتک بررسی می گردد. در نمونه های مشابه الگوریتم های آموزش عمیق برای یادگیری نیاز به داده بیشتری در مقایسه با یادگیری انسان دارد. بعلاوه، اختلاف یادگیری عمیق و انسان، تفاوت در بازنمایش اطلاعات است. در یادگیری عمیق وزن ها در جهتی بهبود می یابند تا در یک آزمایش خاص نتیجه بهینه شود ولی در انسان با میلیون ها سال تکامل، مغز انسان به گونه ای تکامل یافته تا بازنمایش بهینه و مؤثر باشد. چالش مورد بررسی دیگر، عمیق تر شدن لایه های یادگیری عمیق است. تعداد این لایه ها نسبت به مغز چندین برابر گشته است و این مسئله منجر به پیچیدگی و صرف انرژی بیشتر می شود. اما در مغز با صرف انرژی کمتر می تواند تشخیص را انجام دهد. بیشینه نرخ بازشناسی مدل پیشنهادی به 93 درصد می رسد و مدل پایه نزدیک به 91 درصد است. همچنین مدل پیشنهادی تنک‌تر و نرخ آتش نورون ها در لایه های ابتدایی کمتر و پایداری بالایی به تغییرات شدت روشنایی داشته، تفکیک پذیری در لایه های مدل بالاتر رفته و توانسته در مواجهه با تصاویر نویزی پاسخ بهتری نشان دهد و افت بازشناسی کمتری را ثبت کند. پرونده مقاله

در سال‌های اخیر با گسترش و موفقیت شبکه‌های کانولوشنی، موضوع یادگیری عمیق بیش از پیش مورد توجه قرار گرفته است. از آنجا که شبکه‌های کانولوشنی شامل لایه های زیادی هستند، یادگیری بهینه لایه‌های شبکه از اهمیت بالایی برخوردار است. در این مقاله، مدل جدیدی به نام چهار-جریان، با هدف کمک به خطی کردن فضای داده از طریق تبدیل عدم تشابه بازنمایی ارائه و تأثیر این تبدیل روی طبقه بندهای استاندارد برای داده های مصنوعی و تصاویر سیفار-10 بررسی و دو مدل مبتنی بر پیش پردازش داده با تبدیل عدم تشابه بازنمایی و فیلترهای سوبل و آشکارساز لبه تحلیل شده است. مدل چهار-جریان به دلیل بالا رفتن تعداد پارامترهای مدل و به تبع آن ظرفیت شبکه میزان 2/3 درصد افزایش دقت داشته است و اضافه نمودن بازنمایی عدم تشابه در جایی که طبقه بند نتواند با ویژگی های اصلی، تفکیک پذیری بالایی انجام دهد، می تواند تا حدودی با افزودن ویژگی های خطی به تفکیک پذیری کلاس ها کمک کند. پرونده مقاله