رویکرد های مواجهه با چالش کمبود داده fMRI در حوزه یادگیری عمیق
21 بار بازدید -
2 سال پیش
-
دانشجو: آقای مهندس ایمان جهانی
دانشجو: آقای مهندس ایمان جهانی
استاد راهنما: آقایان دکتر مهدی دلربایی و علی خادم
چکیده:
شبکههای عمیق برای آموزش، نیاز به دیتاستهایی با ابعاد بزرگ دارند. بنابراین برای مواردی که دادههای آموزش کم هستند، شبکههای عمیق به خوبی آموزش نمیبینند و در فرآیند آموزش دچار بیش برازش می شوند. در حوزه تصویربرداری تشدید مغناطیسی عملکردی، مشکل کمبود داده در اغلب موارد وجود دارد، چراکه جمع آوری داده در این حوزه کاری پر هزینه و دشوار است. بنابراین در مسائلی که نیاز به طبقهبندی در این حوزه وجود دارد، به طور مستقیم نمیتوان از این دادهها برای آموزش شبکههای عمیق استفاده کرد. در این سمینار رویکردهای مواجهه با کمبود داده در حوزه fMRI مورد بررسی و ارزیابی قرار میگیرند. از جمله روش هایی که در این حوزه به کار رفته است میتوان به روش یادگیری انتقالی، تولید داده با استفاده از ساختارهای مختلف شبکههای مولد متخاصم، رمزگذار خودکار و سایر روشهای دادهافزایی اشاره کرد. در این سمینار تلاش میشود تا اکثر روشهایی که تاکنون، در این حوزه برای مواجهه با کمبود داده fMRI انجام شده است، مورد ارزیابی قرار گیرد و میزان بهبودی که هر یک از این روش ها در صحت طبقهبندی مبتنی بر شبکه عمیق ایجاد میکنند، بررسی و با یکدیگر مقایسه شود.
کلمات کلیدی: یادگیری عمیق، دادهافزایی، یادگیری انتقالی، شبکههای عصبی پیچشی، شبکههای مولد متخاصم، شبکههای عصبی بازگشتی، خودرمزگذار، طبقهبندی، تصویربرداری تشدید مغناطیسی عملکردی
2 سال پیش
در تاریخ 1401/12/24 منتشر شده
است.
21
بـار بازدید شده