ارائه الگوریتم بهینه‌سازیِ «انطباقِ پیش‌ِ رو» برای آموزش مدل‌های مورد استفاده در یادگیری عمیق

یادگیری عمیق یکی از زیرمجموعه‌های یادگیری ماشینی است که به طور وسیع در زمینه هوش مصنوعی، مانند پردازش زبان طبیعی و بینایی ماشین بکار می‌رود. قطعه‌بندی تصویر به عنوان زیر مجموعه‌ای از بینایی ماشین، یکی از رایج ترین مراحل پردازش تصویر دیجیتال است، که یک تصویر دیجیتال را به قطعات مختلف تقسیم می‌کند. در این پژوهش یک روش نوین مبتنی بر یادگیری عمیق برای قطعه‌بندی تصاویر ارائه شده است. برای بهینه‌سازی مدل پیشنهادی الگوریتم انطباقِ پیشِ روبه عنوان یک الگوریتم بهینه‌سازی جدید معرفی و مورد استفاده قرار گرفت. در الگوریتم‌های بهینه‌سازی پیشین مهم ترین عامل کاهش دقت، استخراج ویژگی های سطح پایین تصاویر و عدم کاهش فاصله معنایی میان ادراک انسان و این ویژگی هاست. در این مطالعه با کمک یادگیری عمیق، استخراج سلسله مراتبی و عمیق ویژگی از تصاویر انجام شد. الگوریتم بهینه‌سازی انطباقِ پیشِ رو، که در آن از یک مدل عمیق مبتنی بر شبکه عصبی همگشتی استفاده شده، ویژگی‌های سطح بالاتری را استخراج کرده و به دقت مطلوبی دست یافته است. با بکارگیری تکنیک nestrov در محاسبه گرادیان توسط الگوریتم پیشنهادی بهترین نتیجه یعنی دقت 91.1 برای معیار شباهت دایس بدست آمد. برتری دیگر این الگوریتم نسبت به سایر روش ها، استفاده از محاسبات غیر پیچیده است. مقایسه الگوریتم بهینه‌سازی پیشنهادی با سایر روش‌های معمول بکار رفته، نشان دهنده بهبود عملکرد این شبکه بر روی مجموعه داده‌های نسبتا بزرگ است. همچنین عملکرد دقیق‌ترِ این شبکه، در نتیجه‌ی استخراج سلسله مراتبی و عمیق آن، نسبت به روش‌های دیگر است.

presenting an adaption ahead optimization algorithm for training models used in deep learning

deep learning is a subset of machine learning that is widely used in the field of artificial intelligence such as natural language processing and machine vision. as a subset of machine vision, image segmentation is one of the most common steps in digital image processing, which divides a digital image into different segments. in this research, a new method based on deep learning for image segmentation was presented. the adaption ahead algorithm was introduced and used as a new optimization algorithm to optimize the proposed model. in previous optimization algorithms, the most important factor in reducing accuracy was extracting low-level features of images and not reducing the semantic distance between human perception and features. in this study, hierarchical and deep feature extraction from images was carried out with the help of deep learning. the adaption ahead optimization algorithm, in which a deep model based on a convolutional neural network is used, extracted higher-level features and achieved optimal accuracy. by using the nestrov technique in calculating the gradient by the proposed algorithm, the best result, i.e. 91.1 accuracy, was obtained for the dice similarity measure. another advantage of this algorithm over other methods was using uncomplicated calculations. the comparison of the proposed optimization algorithm with other commonly used methods demonstrated the improvement in the performance of this network on relatively large data sets. furthermore, the more accurate performance of this network, as a result of its hierarchical and deep extraction, was compared to other methods.