کلاسبندی
#پارامتری
#غیرپارامتری

@iust_bioelecteric

💡 💡 روشهای #ناحیه_بندی با بسته‌های #کانتور_فعال
به طور کلی، مرزهای بسته فعال را می توان به دو دسته مرز فعال #پارامتری و #غیرپارامتری تقسیم نمود. در روشهای پارامتری مرز بسته فعال به شکل پارامتری از مشخصه‌های خود همچون طول مرز تعریف می‌گردد و تابع هدف به گونه‌ای که در مشخصه مورد نظر کاربر کمینه شود تعریف می‌شود و در نهایت مرز اولیه با توجه به محدودیتهای مربوط به خود که درغالب انرژی داخلی خود را نشان می‌دهد و به طرف مشخصه مورد نظر از طریق کمینه کردن این تابع حرکت می‌کند. در مرزهای بسته غیرپارامتری یا هندسی، نمو مرز بسته به صورت سطح صفر یک تابع کمکی چند بعدی معروف به توابع سطح همتراز صورت می پذیرد و از اینرو قادر به دنبال کردن تغییرات توپولوژی در تصویر می باشد. مرزهای بسته فعال هندسی به دو نوع اصلی مرزهای فعال گرادیانی و ناحیه ای تقسیم‌بندی می‌شوند. در روشهای گرادیانی از گرادیان برای نمو مرز به سمت مشخصه مورد نظر استفاده شده است که از معایب این روش حساسیت به نویز و همگرا شدن در کمینه‌های محلی می‌باشد. در روش ناحیه‌ای معمولا از اطلاعات آماری تصویر برای نمو مرز فعال به سمت شکل هدف استفاده می‌شود .

🔶 چرا در عمل بیشتر از کانتور فعال برای ناحیه بندی تصاویر پزشکی استفاده می کنند و از روشهای معمول استفاده نمی کنند؟! 🤔 🤔

در عمل، تصاویر پزشکی تصاویر (مثل تصاویر #التراسوند) ایده الی نیستند و همیشه با آرتیفکت و نویزهایی همراه هستند، لذا نمی توان با استفاده از روشهای معمول مثل فیلترهای مکانی (لاپلاسین، کنی، سوبل و ...) و فرکانسی تصاویر را ناحیه بندی کرد!
روشهای معمول زمانی که تصاویر نویز نداشته باشند خوب کار می کنند!
همچنین در کارهای عملی نیاز است که ما مرزهای بسته ای داشته باشیم و اینب درحالی هست که روشهای معمول به خاطر نویز، مرز بسته ای به ما نمیدهند!

✅ مزایای روشهای ناحیه بندی کانتور فعال:
به نویز حساسیتی ندارد (در مقابل نویز مقاومند)
مرز بسته ای دارند!

⚠️ عیب روشهای ناحیه بندی کانتور فعال:
- نیاز به تعیین کانتور اولیه دارند
- پیچیدگی محاسباتی بالایی دارند
#ناحیه_بندی
#کانتور_فعال
#مرزبسته
#تصاویرنویزی
#پردازش_تصویر
#مهندسی_پزشکی
#تصاویرپزشکی

نویسنده: محمد نوری زاده چرلو

➖➖➖➖➖
@IUST_Bioelecteric

ناحیه بندی تصاویر با استفاده از روش #پارامتری کانتور فعال
#گیف بسیار جالب از نحوه همگرایی الگوریتم بر روی مرزهای تصویر اختاپوس
#کانتورفعال
#مرزبسته
#ناحیه_بندی
➖➖➖➖➖
@IUST_Bioelecteric

📺 دوره تخصصی پیاده سازی شبکه‌های عصبی در متلب
مدرس: محمد نوری زاده چرلو
فارغ التحصیل دانشگاه علم و صنعت تهران
2⃣جلسه دوم: پیاده‌سازی شبکه عصبی #پرسپترون_تک_لایه با قانون یادگیری پرسپترون

✍در جلسه دوم ما در ابتدا شبکه‌عصبی پرسپترون تک لایه را آموزش داده و در متلب گام به گام پیاده‌سازی ‌می‌کنیم. این شبکه ساده‌ترین نوع شبکه عصبی است که برای #کلاسبندی داده‌های #خطی استفاده می‌شود. قبل از اینکه بخواهیم یک شبکه عصبی را در محیطی ‌پیاده‌سازی کنیم لازم است که در ابتدا به #سه_سوال_اساسی جواب بدیم:

1-     ساختار این شبکه چیه؟
2-     قانون یادگیری شبکه چیه؟
3-      کاربرد این شبکه کجاست؟

ما در این جلسه به این سه سوال جواب داده و سپس #تئوری_همگرایی قانون یادگیری پرسپترون را آموزش میدهیم. بعد از اینکه تئوری  شبکه عصبی پرسپترون تک لایه را یاد گرفتیم یک #الگوریتم_خلاصه_شده جهت یادگیری این شبکه می‌نویسم و طبق آن در متلب به صورت #مرحله-به-مرحله #پیاده‌سازی ‌می‌کنیم. و در نهایت چند مثال عملی انجام می‌دهیم تا مطالب را به طور عملی درک کنیم.  سپس برای درک بهتر مطالب، آموزش می‌دهیم که چطور میتوان #مرز تفکیک کننده داده‌ها را رسم کرد تا متوجه بشویم که شبکه عصبی پرسپترون تک لایه چطور یک مسئله کلاسبندی را انجام میدهد.

در نهایت #عیب الگوریتم #یادگیری_پرسپترون را با یک مثال عملی در متلب نشان میدهیم و بعد سراغ #راه_حل می‌رویم. قانون یادگیری پرسپترون با اینکه انقلابی در حوزه هوش مصنوعی به پا کرده است ولی دو تا مشکل اساسی دارد که در ویدیو توضیح می‌دهیم. به دلیل اینکه طبقه‌بند ماکزیمم شباهت(maximum likelihood ) شباهت خیلی زیادی به پرسپترون تک لایه دارد فصل چهارم کتاب Simon haykin طبقه بندML را در ادامه مطالب پرسپترون تک لایه آورده و ایده کلاسبندی این طبقه بند را توضیح داده است. ماهم برای اینکه رشته مطالب کتاب از دست نرود تئوری کلاسبند ML را توضیح داده و سپس در متلب ‌پیاده‌سازی کرده و یک مثال عملی هم با این کلاسبند انجام می‌دهیم. سپس شباهت و تفاوت این دو کلاسبند را به طور مفصل توضیح میدهیم و نشان میدهیم که شبکه عصبی اگر قانون یادگیری پرسپترون را بهبود دهد خیلی بهتر از کلاسبندهای #پارامتری مثل ML خواهد بود.  

🔺نکته: مباحث این جلسه طبق مطالب فصل 4 کتاب Simon haykin است.

🔍 کلمات کلیدی: شبکه عصبی پرسپترون تک لایه، قانون یادگیری پرسپترون، داده خطی ، ایراد قانون یادگیری پرسپترون، کلاسبند پارمتری و غیر پارامتری، کلاسبند ماکزیمم شباهت
➖➖➖➖➖➖➖➖➖➖➖➖

جهت تهیه کامل پکیج آموزشی شبکه عصبی به لینک زیر مراجعه کنید. 👇👇 👇👇
https://onlinebme.com/product/neural-networks-package/

🎁🎁 کد #تخفیف 20 درصدی:
Neuralnetworks98
مهلت اعتبار: 2 روز

🏢 آکادمی آنلاین مهندسی پزشکی و هوش مصنوعی
@onlinebme