طراحی شبکه‌ عصبی کانولوشن با وزن‌های موثر با استفاده از الگوریتم ژنتیک برای طبقه بندی تصاویر

شبکه های عصبی کانولوشن مهمترین شاخه یادگیری عمیق هستند و در سال های اخیر، توسعه سریعی را تجربه کرده اند. یک چالش عمده در استفاده از این شبکه ها، تعداد زیاد پارامترهای آن هاست که منجر به هزینه های محاسباتی و زمانی بالا در برنامه های کاربردی دنیای واقعی می شود. در بسیاری از موارد، این افزایش هزینه ها به دلیل طراحی شبکه های عمیق تر با پارامترهای بیشتر برای دستیابی به دقت بالاتر است. مقاله حاضر از الگوریتم های تکاملی برای معرفی روشی استفاده کرده که می تواند بهترین وزن ها را شناسایی کرده و از آنها برای ساخت شبکه های دقیق تر استفاده کند؛ در نتیجه نیاز به شبکه های عمیق تر را از بین می برد. در پایان مقاله، شبکه ی به دست آمده از الگوریتم پیشنهادی با بهترین شبکه های موجود مقایسه شده است که نشان می دهد شبکه ی پیشنهادی دقت طبقه بندی را افزایش داده است؛ در حالی که تعداد پارامترهای آن بسیار کمتر است و در نتیجه، باعث صرفه جویی در منابع محاسباتی و زمان می شود.

designing cnns with effective weights using genetic algorithm for image classification

convolutional neural networks (cnns) are the most important branch of deep learning (dl) and have experienced rapid development in recent years. a major challenge in using these networks is their large number of parameters, which result in high computational and time costs in real-world applications. in many cases, this increase in costs is due to the design of deeper networks with more parameters for achieving higher accuracy. the present paper employed evolutionary algorithms (eas) to introduce a method that can identify the best weights and use them to construct more accurate cnns, hence eliminating the need for deeper networks. at the end of the article, the cnn obtained from the proposed algorithm is compared with the best existing cnns; which shows that the proposed cnn has increased the classification accuracy, while the number of its parameters is much less, and as a result, it saves computing resources and time.