گروه مهندسی کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه علم و فناوری مازندران، بهشهر، ایران
چکیده
یادگیری عمیق ابزار قدرتمندی در خوشهبندی تصاویر پیچیده و حجیم است. اغلب روشهای خوشهبندی عمیق عمل دستهبندی تصاویر را بر اساس بردارهای بازنمایی حاصل از آموزش یک شبکه عصبی عمیق انجام میدهند به طوریکه ویژگیهای مستخرج از لایه آخر شبکه مورد ارزیابی نهایی عمل خوشهبندی قرار میگیرد. بهرهمندی از ویژگیهای معنایی متفاوت حاصل از چندین شبکه عمیق میتواند نقش مؤثری در بهبود کارایی نتایج خوشهبندی حاصل ایفا کند که تاکنون تحقیقات کمی در این زمینه صورت گرفته است. ما در این مقاله رویکردی مبتنی بر خوشهبندی عمیق گروهی ارائه میکنیم که در آن با پیوند دادن روشهای خوشهبندی عمیق و یادگیری گروهی، سعی در استفاده از مزایای شبکههای عصبی عمیق در کنار یکدیگر داریم. در این راستا ابتدا پنج مدل مختلف خودرمزگذار عمیق با لایههای کانولوشنی متعدد آموزش داده میشوند که در هر یک از آنها از رویکرد یادگیری انتقالی نیز جهت افزایش دقت و بهبود عملکرد استفاده میشود. پس از استخراج ویژگیهای چندگانه تصاویر توسط مدلهای مختلف عمیق، بازنماییهای حاصل خوشهبندی شده و طبق رویکرد یادگیری گروهی نتایج آنها با یکدیگر تجمیع میشود. نهایتاً دستهبندی نهایی تصاویر بر اساس اطلاعات مشترک خوشهبندیهای پایه صورت میگیرد. نتایج حاصل از اعمال روش پیشنهادی بر روی چهار مجموعه داده استاندارد، نشان دهنده کارایی بهتر و مؤثرتر روش پیشنهادی نسبت به رویکردهای اخیر خوشهبندی عمیق تصاویر است.