مروری بر مباحث مطرح در شبکه‌های عصبی پیچشی

شبکه‌های عصبی پیچشی یکی از مرسوم ترین شبکه‌ها در زمینه یادگیری عمیق و دسته بندی تصاویر محسوب می‌شوند. این مقاله به بررسی اجمالی از مباحث مطرح در شبکه عصبی پیچشی می‌پردازد. ابتدا معماری اصلی شبکه‌های عصبی پیچشی به تفصیل معرفی می‌شود، که شامل بخش های پیچش، ادغام، فعال سازی، کاملاً متصل و اتلاف می‌شود. در این مقاله، به نقش توابع فعال سازی در کاهش ابعاد تصاویر و حفظ اطلاعات مهم پرداخته می‌شود. همچنین، نحوه استفاده از لایه‌های کاملاً متصل به منظور دسته‌بندی نهایی تصاویر توضیح داده می‌شود. در ادامه، به بررسی معماری‌های برجسته در شبکه‌های عصبی پیچشی پرداخته می شود که در حوزه بینایی ماشین و تشخیص الگو کاربرد فراوانی دارند. این شبکه‌ها، از نقاط قوت بسیاری برخوردار هستند و در بسیاری از مسائل به عنوان ابزارهای اساسی استفاده می‌شوند.

a review of topics in convolutional neural networks

convolutional neural networks (cnns) are one of the most common types of networks in the field of deep learning and image classification. this paper provides an overview of the topics related to convolutional neural networks. first, the basic cnn architecture is introduced in detail, including different parts such as the convolutional layer, pooling layer, activation functions, fully connected layers, and loss functions. in this paper, the role of activation functions in reducing image dimensions and preserving essential information is discussed. also, it explains how fully connected layers are used for the final classification of images. in the next sections, prominent architectures in convolutional neural networks are described, which have wide applications in computer vision and .pattern recognition. these networks possess numerous strengths and are used as fundamental tools in solving various problems