مقایسه روش های یادگیری عمیق Mask R-CNN و CRF-RNN به منظور شناسایی و قطعه بندی سر نوزاد در تصاویر رنگی
سال انتشار: 1397
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,001
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
NCEGIT03_126
تاریخ نمایه سازی: 8 تیر 1398
چکیده مقاله:
امروزه الگوریتم های فراوانی به منظور شناسایی و قطعه بندی تصاویر ارائه شده است ولی تمام الگوریتم های موجود در این حوزه عملکرد موفقی نداشته اند، به ویژه زمانی که قطعه بندی یک شئی خاص در تصاویر متفاوت مد نظر باشد. بنابراین الزم است که از الگوریتم های سنتی قطعه بندی عبورکرده و به سمت الگوریتم های مبتنی بر شبکه های عصبی عمیق رفت. هدف از این مقاله، مقایسه دو الگوریتم شبکه عصبی عمیق به منظور شناسایی و قطعه بندی سر نوزاد در تصاویر رنگی می باشد. بر اساس این تحقیق الگوریتم Mask R-CNN به منظور شناسایی و قطعه بندی سر نوزاد آموزش داده شد و نتایج آن با نتایج روش CRF-RNN مورد ارزیابی و مقایسه قرار گرفت و توانست نتایج به مراتب بهتری خصوصا در تصاویر چالشی به دست آورد. در این تحقیق مشخص شد که می توان از روش Mask R-CNN به عنوان یک روش مطمئن به منظور شناسایی و قطعه بندی سر نوزاد در تصاویر استفاده نمود.
کلیدواژه ها:
نویسندگان
فرزاد زارع زاده
دانشجوی کارشناسی ارشد فتوگرامتری، دانشکده نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی
علی حسینی نوه
استادیار گروه فتوگرامتری و سنجش از دور، دانشکده نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی
زهره حبیبی
استادیار دانشکده پزشکی، دانشگاه علوم پزشکی و خدمات بهداشتی درمانی تهران