نویسندگان
1 دانشکده مهندسی رایانه و فناوری اطلاعات، دانشگاه علوم و فنون هوایی شهید ستاری، تهران، ایران
2 دانشکده مهندسی کامپیوتر، دانشگاه صنعتی امیرکبیر، تهران، ایران
3 دانشکده مهندسی برق و کامپیوتر، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران
4 دانشکده مهندسی کامپیوتر، دانشگاه صنعتی قوچان، قوچان، ایران
چکیده
امروزه شبکههای عصبی به عنوان یکی از دقیقترین روشهای یادگیری ماشین، برای حل بسیاری از مسائل مورد بررسی و استفاده قرار میگیرند. با این حال، انتخاب پارامترهای مناسب مانند تعداد لایهها و نورونها در هر لایه بر دقت، کارایی و مدت زمان مورد نیاز برای آموزش این نوع روشها بسیار موثر هستند. یکی از چالش های عمده استفاده از شبکههای عصبی عمیق برای مدیریت و طبقه بندی تصاویر، تعداد بسیار زیاد پارامترهای قابل آموزش در این نوع شبکهها است که منجر به بار محاسباتی بالا و زمان طولانی برای آموزش شبکه عصبی عمیق میشود. در این مقاله از شبکه عصبی عمیق دنسنت برای شناسایی و تشخیص رویدادهای کارت زرد، پنالتی و ضربه آزاد در ویدیوی ورزش فوتبال به عنوان یک معماری پایه استفاده کردهایم. ما سعی کردهایم با استفاده از الگوریتم ژنتیک با حفظ دقت، تعداد پارامترهای قابل آموزش شبکه پایه دنسنت را کاهش دهیم. برای این منظور با بررسی حالتهای ممکن برای قرارگیری بلوکهای با سایز مختلف شبکه دنسنت، اقدام به ارائه یک معماری پیشنهادی برای شبکه عصبی عمیق کردهایم. نتایج ارزیابیها، نشاندهنده کاهش تعداد پارامترهای قابل آموزش شبکه عصبی عمیق به میزان 13.13 درصد و در عین حال افزایش دقت معماری پیشنهادی برای شناسایی و تشخیص رویدادهای مهم در ورزش فوتبال است.
کلیدواژهها