هدف اصلی در روشهای مختلف تطبیق تصویر، پیداکردن پارامترهای تبدیل برای نگاشت دقیق یک تصویر بر روی مختصات تصویر دیگر است. در پزشکی، برقراری ارتباط دقیق میان دادههای تصاویر پزشکی درکاربردهایی نظیر تشخیص و درمان از اهمیت بسیاری برخوردار است و بر این اساس، روشهای متعددی بر More
هدف اصلی در روشهای مختلف تطبیق تصویر، پیداکردن پارامترهای تبدیل برای نگاشت دقیق یک تصویر بر روی مختصات تصویر دیگر است. در پزشکی، برقراری ارتباط دقیق میان دادههای تصاویر پزشکی درکاربردهایی نظیر تشخیص و درمان از اهمیت بسیاری برخوردار است و بر این اساس، روشهای متعددی براي تطبیق تصاویر ارائه شده است. مقایسه نتایج الگوریتمهای مختلف، انگیزه اصلی این پژوهش گردیده تا بتوان الگوریتم جدید ترکیبی ارائه و پیادهسازی نمود که از دقت بالایی برای تطبیق تصاویر چندکیفیتی برخوردار باشد. خودکارسازی فرایند تطبیق با بهرهگیری از رویکرد یادگیری ماشین، نوآوری مقاله حاضر نسبت به روشهای پیشین به شمار میرود. به این منظور، روش پیشنهادی به نام یادگیری چنددقتی از ترکیب یک روش تجزیه چنددقتی و یک شبکه عصبی سلسله مراتبی بهره میگیرد که با استفاده از ویژگیهای سراسری تصویر، پارامترهای تبدیل را یاد گرفته و از پارامترهایِ تبدیلِ به دست آمده از فرایند یادگیری ، برای تطبیق تصاویر استفاده میکند. روش پیشنهادی بر روی پایگاه داده تصاویر پزشکی دانشگاه واندربیلت پیادهسازی و آزمون شده و نتایج به دست آمده دقت قابل قبولی را برای روش پیشنهادی در مقایسه با سایر روشها نشان میدهد.
Manuscript profile
: اتوماتای یادگیر سلولی، یک مدل هوشمند به صورت آمیزهای از اتوماتای سلولی و اتوماتای یادگیر است. پایینبودن سرعت همگرایی در اتوماتای یادگیر سلولی یکی از چالشهای اساسی به شمار میرود. در این مطالعه، الگوریتم گسترشیافتهای از اتوماتای یادگیر سلولی مبتنی بر یادگیری انتقا More
: اتوماتای یادگیر سلولی، یک مدل هوشمند به صورت آمیزهای از اتوماتای سلولی و اتوماتای یادگیر است. پایینبودن سرعت همگرایی در اتوماتای یادگیر سلولی یکی از چالشهای اساسی به شمار میرود. در این مطالعه، الگوریتم گسترشیافتهای از اتوماتای یادگیر سلولی مبتنی بر یادگیری انتقالی به نام TL-CLA پیشنهاد میگردد که از یادگیری انتقالی به عنوان راهکاری برای کاهش محاسبات و کمینهسازی چرخه یادگیری بهره میگیرد. مدل گسترشیافته پیشنهادی بر اساس تابع شایستگی و بردار نگرش برای انتقال یادگیری طراحی شده است. در الگوریتم TL-CLA، ابتدا مقدار تابع شایستگی بر اساس محیط محلی و مقدار بردار نگرش بر مبنای محیط سراسری اتوماتا محاسبه میشود. زمانی که این دو معیار حد آستانه مقرر را کسب کنند، انتقال بردار احتمالات اقدام ها سبب انتقال یادگیری از اتوماتای یادگیر سلولی منبع به اتوماتای یادگیر سلولی مقصد میشود. نتایج آزمایشها نشان میدهند که مدل پیشنهادی TL-CLA در محیطهای عملیاتی استاندارد با دو اقدام و چند اقدام، به طور میانگین، به ترتیب به اندازه 7/2% و 2/2% از نظر صحت همگرایی افزایش یافته است. نرخ همگرایی نیز به طور میانگین، به ترتیب 8% و 2% بهبود داشته است. اتوماتای یادگیر سلولی TL-CLA پیشنهادی در انتقال دانش حاصل از یادگیری یک وظیفه برای وظیفهای مشابه کاربرد دارد.
Manuscript profile
Rimag
Rimag is an integrated platform to accomplish all scientific journal requirements such as submission, evaluation, reviewing, editing, DOI assignment and publishing in the web.