Classification d'image utilisant un codage de hachage basé sur un réseau de neurones convolutif et amélioration par essaim de particules
Sufyan T. Faraj Al-Janabi
Résumé—
La récupération d'images (IR) est devenue l'un des principaux problèmes auxquels la société informatique est confrontée récemment. Pour augmenter les similitudes de calcul entre les images, les approches de hachage
sont devenues le centre d'intérêt de nombreux programmeurs. En effet, ces dernières années, l'apprentissage profond (DL) a été considéré comme une base pour l'analyse d'images utilisant des réseaux de neurones convolutifs (CNN). Cet article vise à concevoir et à mettre en œuvre un classificateur d'images haute performance qui peut être utilisé dans plusieurs applications telles que les véhicules intelligents, la reconnaissance faciale, le marketing, et bien d'autres. Ce travail considère l'expérimentation pour trouver la meilleure configuration du modèle séquentiel pour classer les images. La meilleure performance a été obtenue à partir d'une architecture à deux couches ; la première couche se compose de 128 nœuds, et la deuxième couche est composée de 32 nœuds, où la précision a atteint jusqu'à 0.9012. Le classificateur proposé a été réalisé en utilisant CNN et les données extraites du jeu de données CIFAR-10 par le modèle d'inception, qui sont appelées les valeurs de transfert (TRVs). En effet, l'algorithme d'optimisation par essaim de particules (PSO) est utilisé pour réduire les TRVs. À cet égard, le travail se concentre sur la réduction des TRVs pour obtenir des modèles de classificateurs d'images haute performance. En effet, l'algorithme PSO a été amélioré en utilisant la technique de croisement des algorithmes génétiques. Cela a conduit à une réduction de la complexité des modèles en termes de nombre de paramètres utilisés et du temps d'exécution.
Mots-clés— récupération d'images, apprentissage profond, réseau de neurones convolutif, techniques de hachage, valeurs de transfert, optimisation par essaim de particules
Référence
G. Vargas-Solar, J. A. Espinosa-Oviedo, et J. L. Zechinelli-Martini,
Données continues massives : Gérer la vitesse en composant des flux d'événements. 2016.
P. Tino, L. Benuskova, et A. Sperduti, “Modèles de réseaux de neurones artificiels,” vol. 8, no. 3, pp. 455–472, 1997.
Q. Li, Z. Sun, R. He, et T. Tan, “Hachage discret supervisé profond,” no. Nips, 2017.
D. Yang, H. Xie, J. Yin, Y. Liu, et C. Yan, “Quantification profonde supervisée pour une recherche d'images efficace,” 2017 IEEE Int. Conf. Multimed. Expo Work. ICMEW 2017, no. juillet, pp. 525–530, 2017.
N. Varish et al., “Schéma de récupération d'images utilisant des bacs quantifiés des composants d'images couleur et une transformation tétraïdale adaptative,” IEEE Access, vol. 8, pp. 117639–117665, 2020.
A. Ajam, M. Forghani, M. M. Alyannezhadi, H. Qazanfari, et Z. Amiri, “Récupération d'images basée sur le contenu utilisant l'histogramme de différence de couleur dans les textures d'images,” 5e Conf. Iran. Traitement du signal. Intell. ;2Syst. ICSPIS 2019, no. décembre, pp. 1–6, 2019.