پیوندهای مفید
آمار
| تعداد نشریات | 22 |
| تعداد شمارهها | 717 |
| تعداد مقالات | 10,299 |
| تعداد مشاهده مقاله | 72,210,470 |
| تعداد دریافت فایل اصل مقاله | 63,947,149 |
بخشبندی تصاویر مجموعه دادگانOxford IIIT Pet با معماری نوین بر پایه U-Net | ||
| مدل سازی در مهندسی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 28 تیر 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2026.40889.2996 | ||
| نویسندگان | ||
| فهیمه رشیدی1؛ فریبا نمیرانیان2؛ علی محمد لطیف* 2 | ||
| 1داشکده مهندسی کامپیوتر - دانشگاه یزد | ||
| 2دانشکده مهندسی کامپیوتر، دانشگاه یزد | ||
| تاریخ دریافت: 24 فروردین 1405، تاریخ بازنگری: 26 خرداد 1405، تاریخ پذیرش: 27 تیر 1405 | ||
| چکیده | ||
| در این پژوهش دو معماری نوین بر پایه U-Net برای بهبود عملکرد بخشبندی تصاویر مجموعهدادگان Oxford-IIIT Pet ارائه و ارزیابی شد. در معماری پیشنهادی اول با طراحی دو مسیر بازسازی و سه گلوگاه تلاش شد ظرفیت شبکه در یادگیری ویژگیهای پیچیده افزایش یابد. در معماری پیشنهادی دوم، دو مسیر بازسازی موازی با اتصالهای پرش مستقیم از رمزگذار به کارگرفته شد تا استخراج بهتری از ویژگیهای سطح پایین صورت گیرد. برای ارزیابی عملکرد مدلهای پیشنهادی، معماریها از ابتدا آموزش داده شدند. دقتهای معماری U-Net، معماری پیشنهادی اول و معماری پیشنهادی دوم بهترتیب 9154/0، 8654/0 و 9270/0 و مقادیر تابع زیان 2112/0، 3433/0 و 1825/0 در مجموعهدادگان آموزش بهدست آمد. همچنین این معماریها در مجموعهدادگان آزمون به دقتهای 8763/0، 8611/0 و 8906/0 و مقادیر تابع زیان 3881/0، 3654/0 و 3414/0 دست یافتند. این یافتهها نشانمیدهد که معماری پیشنهادی دوم عملکرد بهتری نسبت به معماری U-Net و معماری پیشنهادی اول دارد. مدل پیشنهادی دوم از دقت بالاتر و تابع زیان کمتری برخوردار است. این بهبود نتیجه اصلاح مسیرهای بازسازی و باز طراحی اتصالهای پرش است. | ||
| کلیدواژهها | ||
| بخشبندی تصویر؛ شبکههای عصبی کانولوشنی؛ شبکهU-Net؛ یادگیری عمیق | ||
| عنوان مقاله [English] | ||
| Image segmentation of Oxford IIIT Pet dataset with a new architecture based on U-Net | ||
| نویسندگان [English] | ||
| Rashidy Rashidy1؛ Fariba Namiranian2؛ alatif alatif2 | ||
| 1Department of Computer Engineering, Yazd University | ||
| 2Department of Computer Engineering, Yazd University | ||
| چکیده [English] | ||
| In this study, two novel U Net–based architectures were proposed and evaluated to improve image segmentation performance on the Oxford IIIT Pet dataset. In the first proposed architecture, two decoder paths and three bottleneck blocks were designed to enhance the network’s capacity for learning complex features. In the second proposed architecture, two parallel decoder paths with direct skip connections from the encoder were employed to achieve better extraction of low level features. For performance evaluation, architectures were trained from scratch. The accuracies of the U Net, the first proposed architecture, and the second proposed architecture on the training set were 0.9154, 0.8654, and 0.9270, with corresponding loss values of 0.2112, 0.3433, and 0.1825, respectively. On the test set, these architectures achieved accuracies of 0.8763, 0.8611, and 0.8906, along with loss values of 0.3881, 0.3654, and 0.3414, respectively. These findings indicate that the second proposed architecture outperforms both the standard U Net and the first proposed architecture. The second model demonstrates higher accuracy and lower loss, attributed to the improved decoder pathways and redesigned skip connections. | ||
| کلیدواژهها [English] | ||
| Image Segmentation, Convolutional Neural Networks, U-Net Architecture, Deep Learning | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 3 |
||