عنوان پایان‌نامه
بکارگیری معماری ژرف در شبکه های عصبی ضربه ای برای بازشناسی اشیاء مبتنی بر قشر بینایی مغز
- رشته تحصیلی
- علوم کامپیوتر
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس علوم شماره ثبت: 6478;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 79630;کتابخانه پردیس علوم شماره ثبت: 6478;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 79630
- تاریخ دفاع
- ۲۹ شهریور ۱۳۹۵
- دانشجو
- مریم دانیالی
- استاد راهنما
- محمد گنج تابش
- چکیده
- مسئلهی تشخیص اشیاء یکی از مسائلی است که بشر هر روز با آن سروکار دارد. تاکنون مدل‌های زیادی مطرح شده تا به ماشین در مدل کردن رفتار مغز انسان در حل این مسئله کمک کنند اما معمولاً پایه و اساسی که برای این مدل‌ها بیان شده است، با آنچه از لحاظ زیست‌شناسی در مغز اتفاق می‌افتد، یکسان نیست و یا اینکه از نظر زمان و کارایی در حل داده‌ی حجیم قابل قبول نیست. شبکه‌های عصبی ژرف، همچون شبکه‌های عصبی پیچشی توانسته‌اند مسائل مربوط به بینایی همانند مسئلهی تشخیص اشیاء را با دقت و قدرت مناسبی حل کنند. شبکه‌های عصبی ضربه‌ای می‌توانند مدل‌های نورونی را با تعدادی ضربه مرتبط کنند و قادر هستند با تعداد معدودی ضربه، حجم قابل توجه‌ای از داده را پردازش کنند. همچنین به جهت شباهت شبکه‌های عصبی ضربه‌ای با ساختار زیستی نورون‌ها، این شبکه‌ها قدرت زیادی در تحلیل پردازش‌های مغز دارند. در اینجا برای مسئلهی بازشناسی اشیاء مدلی ژرف و پیچشی با ساختار ضربه‌ای ارائه کردیم و نشان دادیم دقت و کارایی مدل پیشنهادی با پیچیده شدن ویژگی‌های استخراج شده از تصاویر، در یک روند سلسله‌مراتبی افزایش می‌یابد. علاوه بر این، مدل را برای مسئلهی تشخیص هویت مورد آزمایش قرار دادیم و نشان دایم با سخت شدن مسئله، عملکرد این شبکه‌ها به طور قابل ملاحظه‌ای افزایش می‌یابد
- Abstract
- Object recognition task, is one of the problems that human being faces each day. Although, there have been lots of models which tried to help computers to model human’s brain in solving this problem, most of them were not biological plausible or at least, their time cost and accuracy in solving large data sets were inappropriate. Deep neural networks, such as convolutional neural networks, can solve vision problems, such as object recognition, strongly. Spiking neural networks where neurons communicate by sequences of spikes, can process considerable amount of data, using a comparatively small number if spikes. Due to their functional similarity to biological neurons, spiking models provide powerful tools for analysis of elementary processes in the brain. Our aim here is to propose a model with deep and convolutional architecture using spike based structure, to solve object recognition task. We have also tested our model for a face identification task, to show that our model works stronger when the task gets harder.Keywords: Deep Learning, Convolutional neural networks, Spiking neural networks, Deep spiking neural networks, Object recognition, Visual Cortex, Computational models. Keywords: Deep Learning, Convolutional neural networks, Spiking neural networks, Deep spiking neural networks, Object recognition, Visual Cortex, Computational models.
