مروری بر یادگیری عمیق در بینایی ماشین

یادگیری عمیق یکی از شاخه های یادگیری ماشین است که شامل مجموعه ای از روش ها همانند شبکه های عصبی، مدل های احتمالی سلسله مراتبی و انواع الگوریتم های یادگیری با نظارت و بدون نظارت می باشد. این مفهوم یک رویکرد نوظهور است و به طور گسترده ای در حوزه های هوش مصنوعی استفاده شده است. در این مقاله روش های یادگیری عمیق بررسی شده و سپس مروری بر استفاده از این روش ها در پردازش تصویر ارائه می شود. روش هایی همانند ماشین های خودرمزگذارف ماشین محدود بولتزمان، شبکه های عصبی کاتولوشنی، شبکه های باور عمیق و کدگذاری پراکنده و به کارگیری آنها در تشخیص اشیاء تشخیص چهره، تشخیص فعالیتف تخمین موقعیت انسان، بازیابی تصویر و قطعه بندی معنایی مورد بررسی قرار می گیرند. بر طبق مطالعات صورت گرفته شبکه عصبی کانولوشنی پرکاربردترین و مناسب ترین روش در حوزه پردازش تصویر است. برخی الگوریتم های مبتنی بر شبکه عصبی کانولوشنی از دقت ارزیابی های انسانی درحال حاضر فراتر رفته اند و قابلیت بسیار بالایی برای پیشرفت درآینده در این زمینه وجود دارد. با این حال استفاده از یادگیری عمیق همواره با چالش هایی همراه بوده است که در این مقاله مورد بررسی قرار می گیرند.