کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6864014 1439532 2018 15 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Correlational examples for convolutional neural networks to detect small impurities
ترجمه فارسی عنوان
نمونه های همبستگی برای شبکه های عصبی کانولوشه ای برای شناسایی ناخالصی های کوچک
کلمات کلیدی
تشخیص ناامنی، همبستگی چندگانه، شبکه عصبی متقاطع، مثال همبستگی آموزش متوالی
ترجمه چکیده
شبکه های عصبی همجوشی به طور قابل ملاحظه ای بهبود عملکرد معمول تشخیص شیء را برای مدت زمان طولانی بهبود می بخشد. با این حال، اهداف در فریم ها به طور مستقل در توالی تصویر تشخیص داده می شوند، و روش های تشخیص شی در فریم های مختلف به طور کلی به دو مرحله اصلی تقسیم می شوند: تشخیص شی در هر فریم و ارتباط نقشه ویژگی در فریم. در این مقاله، یک چارچوب تشخیص چند قاب پیشنهاد شده است تا مستقیما ناخالصی های کوچک را در بطری شیشه ای مات با مشروب تشخیص دهد. به طور خاص، یک شبکه عصبی کانولوشه ای که با نمونه های همبستگی تعلیم داده می شود، به طور همزمان پیشنهادات را تشخیص می دهد و همبستگی می دهد و سپس آنها را به طور انتخابی پیوند می دهد تا نتایج تشخیص قوی را در نتیجه روشنایی های چالش برانگیز بدست آورد. علاوه بر این، هزینه های حافظه از جفت های پچ نسبت به تکه های تکه ای بسیار زیاد است، بنابراین یک روش آموزشی پیوسته برای تسهیل نیازهای سخت افزاری معرفی شده است. آزمایش های گسترده در مجموعه داده های ناخالصی نشان می دهد عملکرد برتر چارچوب تشخیص چند قاب با شبکه های عصبی پیچیده از مدل های سنتی تک فریم.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
نمونه های همبستگی برای شبکه های عصبی کانولوشه ای برای شناسایی ناخالصی های کوچک
چکیده انگلیسی
Convolutional neural networks have been significantly improving common object detection performances for a long time. However, targets across frames are independently detected in an image sequence, and object detection methods in multiple frames are generally divided into two main stages: object detection in every single frame and feature map association across frames. In this paper, a multi-frame detection framework is proposed to directly detect small impurities in opaque glass bottles with liquor. Specifically, a convolutional neural network trained with correlational examples simultaneously detects and correlates proposals, and then links them selectively to obtain robust detection results under challenging illuminations. Besides, memory costs of patch pairs become extremely large compared with those of patches, thus a sequential training procedure is introduced to relax hardware requirements. Extensive experiments on impurity datasets demonstrate superior performances of multi-frame detection frameworks with convolutional neural networks than traditional single-frame models.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 295, 21 June 2018, Pages 127-141
نویسندگان
, , , , ,