ترجمه فارسی مقاله مطالعه تطبیقی ​​شبکه‌های مولد تخاصمی برای الگوریتم‌های تشخیص تصویر مبتنی بر یادگیری عمیق و روش‌های سنتی

چکیده

In this paper, an image recognition algorithm based on the combination of deep learning and generative adversarial network (GAN) is studied, and compared with traditional image recognition methods. The purpose of this study is to evaluate the advantages and application prospects of deep learning technology, especially GAN, in the field of image recognition. Firstly, this paper reviews the basic principles and techniques of traditional image recognition methods, including the classical algorithms based on feature extraction such as SIFT, HOG and their combination with support vector machine (SVM), random forest, and other classifiers. Then, the working principle, network structure, and unique advantages of GAN in image generation and recognition are introduced. In order to verify the effectiveness of GAN in image recognition, a series of experiments are designed and carried out using multiple public image data sets for training and testing. The experimental results show that compared with traditional methods, GAN has excellent performance in processing complex images, recognition accuracy, and anti-noise ability. Specifically, Gans are better able to capture high-dimensional features and details of images, significantly improving recognition performance. In addition, Gans shows unique advantages in dealing with image noise, partial missing information, and generating high-quality images.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله ، یک الگوریتم تشخیص تصویر مبتنی بر ترکیبی از یادگیری عمیق و شبکه مخالف مولد (GAN) مورد بررسی قرار گرفته و با روش های تشخیص تصویر سنتی مقایسه می شود.هدف از این مطالعه ، ارزیابی مزایا و چشم اندازهای کاربردی فناوری یادگیری عمیق ، به ویژه گان ، در زمینه تشخیص تصویر است.در مرحله اول ، این مقاله به بررسی اصول و تکنیک های اساسی روشهای تشخیص تصویر سنتی ، از جمله الگوریتم های کلاسیک مبتنی بر استخراج ویژگی مانند SIFT ، گراز و ترکیب آنها با دستگاه بردار پشتیبانی (SVM) ، جنگل تصادفی و سایر طبقه بندی کننده ها می پردازد.سپس ، اصل کار ، ساختار شبکه و مزایای منحصر به فرد GAN در تولید و شناخت تصویر معرفی می شود.به منظور تأیید اثربخشی GAN در تشخیص تصویر ، مجموعه ای از آزمایشات با استفاده از چندین مجموعه داده تصویر عمومی برای آموزش و آزمایش طراحی و انجام می شود.نتایج تجربی نشان می دهد که در مقایسه با روشهای سنتی ، GAN عملکرد بسیار خوبی در پردازش تصاویر پیچیده ، دقت تشخیص و توانایی ضد نویز دارد.به طور خاص ، GAN ها بهتر قادر به ضبط ویژگی ها و جزئیات تصاویر با ابعاد بالا هستند و عملکرد تشخیص را به میزان قابل توجهی بهبود می بخشند.علاوه بر این ، GANS مزایای منحصر به فردی در برخورد با سر و صدای تصویر ، اطلاعات جزئی از دست رفته و تولید تصاویر با کیفیت بالا نشان می دهد.