Розробка регресійної мережі створеної з класифікаційної мережі з використанням глибокого навчання
DOI:
https://doi.org/10.32347/uwt.2024.14.1102Ключові слова:
згорткова нейронна мережа (CNN), MATLAB, глибоке навчання, регресійна згорткова нейронна мережаАнотація
Обробка зображень є дуже важливою в галузі глибокого навчання. Однією з важливих застосувань глибокого навчання є процес класифікації після зберігання зображень у наборі даних, що вимагає тренування глибокої нейронної мережі та згорткової нейронної мережі (CNN) у MATLAB через велику кількість даних, які містить кольорове зображення, що призводить до необхідності використання технології глибокого навчання, яка дозволяє виявити технологію чисел для створення матриці, яка включає числа від 0 до 9 у матриці розміром 10 * 10, що призводить до розширення сховища зображень у наборі даних. У цій роботі було створено швидкий алгоритм для створення великої числової матриці для зберігання зображень, а результати, яких було досягнуто, довели ефективність алгоритму.
Посилання
Md. Anwar Hossain & Md. Mohon Ali. (2019). Recognition of Handwritten Digit using Convolutional Neural Network (CNN), Global Journal of Computer Science and Technology: D: Neural & Artificial Intelligence, Volume 19, Issue 2.
Dennis Hamester et al. (2015). Face Expression Recognition with a 2-Channel Convolutional Neural Network. International Joint Conference on Neural Networks (IJCNN) in 2015.
Li J., and Lam E. Y. (2015). Facial expression recognition using deep neural networks. Imaging Systems and Techniques (IST), 2015 IEEE International Conference, 1-6.
Ruoxuan C., Minyi L. and Manhua L. (2016). Facial Expression Recognition Based on Ensemble of Multiple CNNs, CCBR 2016, LNCS 9967, Springer International Publishing AG, 511-578.
He K., Zhang X., Ren S., & Sun J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition, 770-778.
Kahou Samira Ebrahimi et al. (2013). Combining modality specific deep neural networks for emotion recognition in video. Proceedings of the 15th ACM on International conference on multimodal interaction. ACM.
Santiago H. C., Ren T. and Cavalcanti G. D. C. (2016). Facial expression Recognition based on Motion Estimation. Neural Networks (IJCNN), International Joint Conference, Electronic ISSN:2161-4407, 03 November 2016.
Mollahosseini A., Chan D., and Mahoor M. H. (2016). Going deeper in facial expression recognition using deep neural networks, in 2016 IEEE Winter Conference on Applications of Computer Vision (WACV), IEEE, 1–10.
Shan C., Gong S., Mc Owan P. W. (2009). Facial expression recognition based on local binary patterns: a comprehensive study. Image Vis. Comput. 27(6), 803–816.
Gedeon T. D. and Harris D. (1991). Network Reduction Techniques. Proceedings Internati-onal Conference on Neural Networks Methodologies and Applications, AMSE, San Diego, Vol. 1, 119-126.
Gu J., Wang Z., Kuen J., Ma L., Shahroudy A., Shuai B., ... & Chen T. (2017). Recent advances in convolutional neural networks. Pattern Recognitio.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Asma Abdulelah Abdulrahman, Fouad Shaker Tahir
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автор(и) та Редакція згодні на те, що Редакція також матиме право:
- здійснювати необхідне оформлення Твору/Статті за результатами його редакційної обробки;
- визначати самостійно кількість видань, друк додаткових копій і тираж Твору/Статті, кількість копій окремих видань і додаткових тиражів;
- опублікування Твору/Статті в інших виданнях, пов’язаних з діяльністю Редакції
