| LEADER |
05778nam a2200313 4500 |
| 001 |
1527841 |
| 041 |
|
|
|a eng
|
| 100 |
|
|
|9 606119
|a القبيلات، صهيب تركي عبدالرحمن
|e مؤلف
|
| 245 |
|
|
|a Jordan Birds Recognition System Using Deep Learning
|
| 260 |
|
|
|a مؤتة
|c 2020
|
| 300 |
|
|
|a 1 - 61
|
| 336 |
|
|
|a رسائل جامعية
|
| 502 |
|
|
|b رسالة ماجستير
|c جامعة مؤتة
|f كلية الدراسات العليا
|g الاردن
|o 0700
|
| 520 |
|
|
|a دور مراقبة الطيور هو الحفاظ على الطبيعة من خلال مراقبة سلوك الطيور ونمط الهجرة. ومع ذلك، فإن التحدي الذي يواجه مراقبي الطيور يمكن أن يتمثل في تحديد الطيور، والتي تبقى صعبة بسبب تشابه أشكال الطيور وقلة الخبرة في هذا المجال. ومن ثم، فإن مجال مراقبة الطيور يحتاج إلى أنظمة كمبيوتر تساعد مراقبي الطيور على التعرف على الطيور. يحتاج التعرف على الطيور إلى عمل شاق في البحث، حيث أن محتوى صور الطيور محاط بتأثيرات أخرى تجعل مهمة التعرف ليست سهلة. بالإضافة إلى ذلك، فإن الاختلافات البسيطة بين أنواع الطيور تجعل من الصعب التمييز بين الطيور. لذلك، من أجل تحقيق مهمة الاعتراف، فإنها تتطلب ميزات فريدة. تهدف هذه الدراسة إلى التحقق من استخدام التعلم العميق لنظام التعرف على الطيور في الأردن باستخدام 19-VGG لاستخراج الميزات من الصور. 19-VGG هي إحدى الشبكات التلافيفية (CNN) المدربة مسبقا والتي تستخدم للتعرف على الصور وأيضا تم استخدامها في هذه الأطروحة لاستخراج الميزات من صور الطيور. CNN هي فئة من الشبكات العصبية العميقة، وهي واحدة من أكثر الشبكات العصبية شيوعا في مجال التعرف على الصور. ميزات CNN المستخرجة للصور تلقائية، حيث إنها لا تعمل مثل الإجراءات السابقة في الميزات المستخرجة يدويا. تم تدريب 19-VGG على أكثر من مليون صورة من قاعدة بيانات Image Net. من أجل التعرف على طيور الأردن، صممنا قاعدة بياناتنا لصور الطيور التي تم جمعها في الأردن. تحتوي قاعدة بياناتنا على 4340 صورة لـ 434 نوعا من الطيور تم الحصول عليها من مصادر علمية وحيث تم اعتمادها من قبل جمعية مراقبة الطيور الأردنية بناء على اسمها العلمي. في هذه الدراسة، الطبقتان في بنية VGG 19 اللتان يستخدمان للحصول على الميزات هما الطبقة 6 (تسمى fc6) والطبقة 7 (تسمى fc7)؛ تحتوي كل طبقة على 4096 معلما. نظرا لأن حجم متجه الميزات العميقة الذي تم الحصول عليه من طبقات VGG 19 (6 أو 7) كبير جدا (4096)، تم استخدام تحليل المكونات الرئيسية (PCA) للقيام بتقليل الأبعاد. يؤدي هذا إلى إنشاء مجموعتي بيانات إضافيتين بميزات أقل من تلك التي تم الحصول عليها من الطبقة 6 أو الطبقة 7، وتستخدم مجموعات البيانات الأربع ذات التخفيض أو بدونه كمدخلات للتصنيف باستخدام المصنفات المختلفة لتعلم الآلة وهي الشبكات العصبية الاصطناعية (ANN) وKNN وRandom Forest وNaïve Bayes وDecision Tree. أيضا، تم إنشاء المزيد من نواقل المعالم لإنشاء مجموعات بيانات من متجهات السمات العميقة المذكورة أعلاه (تم الحصول عليها من الطبقتين 6 و7) باستخدام متوسط وأدنى أقصى ودمج كلتا الطبقتين. تشمل نتائج تحقيقنا، على سبيل المثال لا الحصر، ما يلي، إن PCA المستخدم في الميزات العميقة لا يقلل فقط من الأبعاد، بل يقلل وقت التدريب/ الاختبار بشكل كبير، ويسمح أيضا بزيادة دقة تحديد الهوية، خاصة عند استخدام مصنف ANN. بناء على نتائج المصنفات؛ أظهرت ANN أن accuracy (70.9908) وPrecision (0.718) وRecall (0.71) وF-Measure (0.708) مقارنة بالمصنفات الأخرى.
|
| 653 |
|
|
|a الشبكات العصبية
|a الطيور الأردنية
|a التعلم العميق
|
| 700 |
|
|
|a الشوره، سليمان عايد خلف
|g Al-Showarah, Suleyman A.
|e مشرف
|9 606121
|
| 856 |
|
|
|u 9802-008-020-0700-T.pdf
|y صفحة العنوان
|
| 856 |
|
|
|u 9802-008-020-0700-A.pdf
|y المستخلص
|
| 856 |
|
|
|u 9802-008-020-0700-C.pdf
|y قائمة المحتويات
|
| 856 |
|
|
|u 9802-008-020-0700-F.pdf
|y 24 صفحة الأولى
|
| 856 |
|
|
|u 9802-008-020-0700-1.pdf
|y 1 الفصل
|
| 856 |
|
|
|u 9802-008-020-0700-2.pdf
|y 2 الفصل
|
| 856 |
|
|
|u 9802-008-020-0700-3.pdf
|y 3 الفصل
|
| 856 |
|
|
|u 9802-008-020-0700-4.pdf
|y 4 الفصل
|
| 856 |
|
|
|u 9802-008-020-0700-O.pdf
|y الخاتمة
|
| 856 |
|
|
|u 9802-008-020-0700-R.pdf
|y المصادر والمراجع
|
| 930 |
|
|
|d y
|
| 995 |
|
|
|a Dissertations
|
| 999 |
|
|
|c 1128926
|d 1128926
|
