مروري بر مباحث مطرح در شبكه‌هاي عصبي پيچشي

A Review of Topics in Convolutional Neural Networks

شبكه‌هاي عصبي پيچشي يكي از مرسوم ترين شبكه‌ها در زمينه يادگيري عميق و دسته بندي تصاوير محسوب مي‌شوند. اين مقاله به بررسي اجمالي از مباحث مطرح در شبكه عصبي پيچشي مي‌پردازد. ابتدا معماري اصلي شبكه‌هاي عصبي پيچشي به تفصيل معرفي مي‌شود، كه شامل بخش هاي پيچش، ادغام، فعال سازي، كاملاً متصل و اتلاف مي‌شود. در اين مقاله، به نقش توابع فعال سازي در كاهش ابعاد تصاوير و حفظ اطلاعات مهم پرداخته مي‌شود. همچنين، نحوه استفاده از لايه‌هاي كاملاً متصل به منظور دسته‌بندي نهايي تصاوير توضيح داده مي‌شود. در ادامه، به بررسي معماري‌هاي برجسته در شبكه‌هاي عصبي پيچشي پرداخته مي شود كه در حوزه بينايي ماشين و تشخيص الگو كاربرد فراواني دارند. اين شبكه‌ها، از نقاط قوت بسياري برخوردار هستند و در بسياري از مسائل به عنوان ابزارهاي اساسي استفاده مي‌شوند.

Convolutional neural networks (CNNs) are one of the most common types of networks in the field of deep learning and image classification. This paper provides an overview of the topics related to convolutional neural networks. First, the basic CNN architecture is introduced in detail, including different parts such as the convolutional layer, pooling layer, activation functions, fully connected layers, and loss functions. In this paper, the role of activation functions in reducing image dimensions and preserving essential information is discussed. Also, it explains how fully connected layers are used for the final classification of images. In the next sections, prominent architectures in convolutional neural networks are described, which have wide applications in computer vision and .pattern recognition. These networks possess numerous strengths and are used as fundamental tools in solving various problems