بهبود شبکه عصبی کانولوشنی بر اساس الگوریتم فراابتکاری به منظور شناسایی حالات چهره

در این پژوهش یک روش شناسایی چهره بر اساس بهبود شبکه های عصبی کانولوشنی (cnn) ارائه شده است. اساس روش پیشنهادی آن است که به جای استفاده از الگوریتم های بهینه سازی معمول درcnnها، از روش های جایگزین که دقت مدل را افزایش می دهند بهره ببریم. از آنجایی که اکثر روش های مبتنی بر شبکه های عصبی از یک سری توابع هزینه مشابه استفاده می-کنند، استفاده از الگوریتم های فرا ابتکاری به عنوان تابع هزینه یکی از روش هایی است که می توان در بهبود cnnها از آن ها بهره جست. در این پژوهش، از الگوریتم بهینه سازی ازدحام ذرات (pso) بهره گرفته شده است تا روند شبکه بر اساس این توابع شکل بگیرد. همچنین برای جلوگیری از قرار گرفتن الگوریتم در مینیمم های محلی، از تعریف قواعد فازی در کنار pso استفاده شده-است. همچنین از ساختار شبکه ی mobilenet برای قسمت یادگیری عمیق آن استفاده شده است. به منظور ارزیابی عملکرد مدل پیشنهادی، از یکی از پایگاه های داده ی شناخته شده در زمینه شناسایی حالات چهره به نام fer2013 برای آموزش مدل و همچنین مرحله ی آزمون آن بهره برده ایم. روش پیشنهادی توانست بر چالش های موجود در پایگاه داده ی fer2013 غلبه نموده و به دقت 86 درصدی برسد. لذا با توجه به نتایج به دست آمده می توان روش پیشنهادی را به عنوان مدلی مناسب در این زمینه مطرح نمود.