@article { author = {Jabbari, Hamed and Bigdeli, Nooshin}, title = {Design and Evaluation of a New Capsule Neural Network (CapsNet) for Imbalanced Images Classification}, journal = {Journal of Machine Vision and Image Processing}, volume = {9}, number = {1}, pages = {1-15}, year = {2022}, publisher = {Iranian Society of Machine Vision and Image Processing}, issn = {2383-1197}, eissn = {2383-1197}, doi = {}, abstract = {Imbalanced image classification is one of the most important and difficult issues in data mining. With the inability of standard classification algorithms, Capsule neural networks (CapsNet) provide a good platform for designing imbalanced classification models by considering spatial communication of features, compared to other deep networks such as Convolutional Neural Networks (CNN). On the other hand, crack bifurcation in the surface cracks is one of the anomalies and minority categories in concrete structures that can be effective in the maintenance of concrete structures and cost management. Also, the surface crack image sets are suitable data for evaluating imbalanced classification due to their characteristics. Therefore, in this paper, a new architecture based on CapsNet is introduced to evaluate the imbalanced classification of surface crack images in the concrete structures. Examination and comparison of the proposed network with CNN in balanced and imbalanced image classification of surface cracks on 13,500 sets of collected images showed the superiority of the proposed network. Also, the proposed network showed a significant advantage compared to CNN in investigating the effect of reducing the number of training images on classification accuracy. This network performed balanced classification of surface cracks with 99.56% accuracy. Also, the proposed network has an accuracy of 80% up to the imbalance of theminority group to the 1:8 minority, which is very suitable compared to CNN.}, keywords = {Image classification,Imbalance Classification,Surface Cracks,Crack Bifurcation,Deep Learning,CapsNet}, title_fa = {طراحی و ارزیابی یک شبکه‏ عصبی کپسولی جدید برای طبقه ‏بندی نامتوازن تصاویر}, abstract_fa = {طبقه ‏بندی نامتوازن تصاویر یکی از مسائل مهم و دشوار در زمینه داده‌کاوی است. با عدم توانایی الگوریتم‌های طبقه‌بندی استاندارد، شبکه‏ های عصبی کپسولی با درنظر گرفتن ارتباطات فضایی ویژگی‏ ها، در مقایسه با سایر شبکه‏ های عمیق مثل شبکه ‏های عصبی کانولوشنی بستر مناسبی را برای طراحی مدل‏ های طبقه ‏بندی نامتوازن فراهم می‏ کنند. ازطرف‏ دیگر چندشاخگی در ترک‏ های سطحی یکی از ناهنجاری‏ ها و دسته ‏های اقلیت موجود در سازه‏ های بتنی است که تشخیص آن می ‏تواند در نگهداری سازه‏ های بتنی و مدیریت هزینه‏ ها موثر باشد. به‏ همین ‏منظور در این مقاله یک معماری جدید بر اساس شبکه‏ های عصبی کپسولی برای ارزیابی طبقه ‏بندی نامتوازن تصاویر ترک ‏های سطحی در سازه ‏های بتنی معرفی شده است. بررسی و مقایسه شبکه پیشنهادی با شبکه‏ های کانولوشنی در طبقه‏ بندی متوازن و نامتوازن ترک‏های سطحی روی 13500 مجموعه تصاویر جمع‏ آوری‏ شده، نشان از برتری شبکه پیشنهادی داشت. شبکه پیشنهادی در بررسی اثر کاهش تعداد تصاویر آموزش در دقت طبقه ‏بندی نیز برتری چشم‏گیری در مقایسه با شبکه ‏های کانولوشنی از خود نشان داد. این شبکه‏ طبقه ‏بندی متوازن ترک‏های سطحی را با دقت 99/56 درصد انجام داد. هم‏چنین شبکه پیشنهادی تا عدم توازن دسته اقلیت به اکثریت 1 به 8، دقت بالای 80 درصد داشت که نسبت به سایر روش ‏ها بسیار مناسب است.}, keywords_fa = {Image classification,Imbalance Classification,Surface Cracks,Crack Bifurcation,Deep Learning,CapsNet}, url = {https://jmvip.sinaweb.net/article_134020.html}, eprint = {https://jmvip.sinaweb.net/article_134020_0cdaeef8ffb689125dd9405b382d6775.pdf} }