Image Classification with Deep Convolutional Neural Network Using Tensorflow and Transfer of Learning
| العنوان بلغة أخرى: |
تصنيف الصورة مع الشبكة العصبية التلافيفية العميقة باستخدام تينسورفلو ونقل التعلم |
|---|---|
| المصدر: | مجلة كلية التربية للبنات |
| الناشر: | جامعة بغداد - كلية التربية للبنات |
| المؤلف الرئيسي: | علي، أسيل سامي (مؤلف) |
| مؤلفين آخرين: | عبدالمنعم، مثيل عماد الدين (م. مشارك) |
| المجلد/العدد: | مج31, ع2 |
| محكمة: | نعم |
| الدولة: |
العراق |
| التاريخ الميلادي: |
2020
|
| الشهر: | جزيران |
| الصفحات: | 156 - 171 |
| DOI: |
10.36231/coedw/vol31no2.9 |
| ISSN: |
1680-8738 |
| رقم MD: | 1162393 |
| نوع المحتوى: | بحوث ومقالات |
| اللغة: | الإنجليزية |
| قواعد المعلومات: | EduSearch |
| مواضيع: | |
| كلمات المؤلف المفتاحية: |
الشبكة العصبية التلافيفية "CNN" | الرادار ذي الفجوة المركبة "SAR" | تينسورفلو | تعلم النقل | مجموعة الهندسة المرئية "VGG16" | Convolutional Neural Network "CNN" | Synthetic Aperture Radar "SAR" | TensorFlow | Transfer learning | Visual Geometry Group "VGG16"
|
| رابط المحتوى: |
عدد مرات التحميل
19
| المستخلص: |
حققت خوارزمية التعلم العميق مؤخراً الكثير من النجاح خاصة في مجال رؤية الكمبيوتر. يهدف البحث الحالي إلى وصف طريقة التصنيف المطبقة على مجموعة البيانات الخاصة بأنواع متعددة من الصور (صور الرادار ذي الفجوة المركبة SAR والصور ليست SAR) أستخدم نقل التعلم متبوعاً بأساليب الضبط الدقيق في مخطط التصنيف هذا. تم استخدام بنيات مدربة مسبقاً على قاعدة بيانات الصور المعروفة Image Net، تم استخدام نموذجVGG 16 بالفعل كمستخرج ميزات وتم تدريب مصنف جديد بناء على الميزات المستخرجة. تركز بيانات الإدخال بشكل أساسي على مجموعة البيانات التي تتكون من خمس فئات فئة صور الرادار SAR (المنازل) وفئات الصور ليست SAR (القطط والكلاب والخيول والبشر). تم اختيار الشبكة العصبية التلافيفية {CNN) كخيار أفضل لعملية التدريب لأنها نتجت عن دقة عالية. لقد وصلنا إلى الدقة النهائية بنسبة 91.18% في خمس فئات مختلفة تتم مناقشة النتائج من حيث احتمالية الدقة لكل فئة في تصنيف الصورة بالنسبة المئوية تحصل فئة القطط على 99.6%، بينما تحصل فئة المنازل على 100% وتحصل أنواع آخري من الفئات بمتوسط درجات 90% وما فوق The deep learning algorithm has recently achieved a lot of success, especially in the field of computer vision. This research aims to describe the classification method applied to the dataset of multiple types of images (Synthetic Aperture Radar (SAR) images and non-SAR images). In such a classification, transfer learning was used followed by fine-tuning methods. Besides, pre-trained architectures were used on the known image database ImageNet. The model VGG16 was indeed used as a feature extractor and a new classifier was trained based on extracted features. The input data mainly focused on the dataset consist of five classes including the SAR images class (houses) and the non-SAR images classes (Cats, Dogs, Horses, and Humans). The Convolutional Neural Network (CNN) has been chosen as a better option for the training process because it produces a high accuracy. The final accuracy has reached 91.18% in five different classes. The results are discussed in terms of the probability of accuracy for each class in the image classification in percentage. Cats class got 99.6 %, while houses class got 100 %.Other types of classes were with an average score of 90 % and above. |
|---|---|
| ISSN: |
1680-8738 |
عناصر مشابهة
-
Traffic Sign Classification Using Deep Learning Based Convolutional Neural Networks
بواسطة: Abougarair, Ahmed Jaber منشور: (2022) -
Multi Stages Chest Diseases Classification Using Convolutional Neural Networks
بواسطة: خنجر، رغد حسام الدين منشور: (2022) -
Automatic Classification of Sleep Stages Using EEG Signals and Convolutional Neural Networks
بواسطة: أبو قازان، شروق نايف منشور: (2021) -
Modified Classification for Brain Tumors in Magnetic Resonance Imaging "MRI" Using Region Convolutional Neural Networks "R-CNN"
بواسطة: الكيلاني، عبدالقادر وليد منشور: (2020) -
Improved Convolutional Neural Net-Works for Image Classification Using Adaptive Convolutional Layers
بواسطة: بدر، بشير ماجد حسين منشور: (2024)
