مقدمه
سلام، امیدوارم روز خوبی رو گذرونده باشید.
در این سری آموزش هدف آموزش پیاده سازی مقالات بوسیله Keras خواهد بود و به پیاده سازی دو معماری مدل که در مقاله های Inception V4 و Unet آمدند خواهیم پرداخت. به دلیل حجم زیاد محتوا، آموزش رو به 3 بخش تقسیم کردم که به ترتیب زیر خواهند بود.
- پیاده سازی معماری مدل آمده در مقاله Inception V4 با Keras
- پیاده سازی مدلی برای تشخیص آلزایمر از روی تصاویر MRI مغز با Keras
- پیاده سازی معماری مدل آمده در مقاله Unet با Keras
لینک ورود به بخش دوم در آخر این آموزش قرار داده شده است. در این بخش ابتدا به بررسی مدل Inception V4 از روی مقاله آن میپردازیم و بعد در آخر ویدئویی از پیاده سازی معماری ذکر شده در این مقاله توسط استاد محمد عباسی توسعه دهنده دیپ لرنینگ را میتوانید مشاهده کنید. این آموزش در مدرسه تابستانی با موضوع هوش مصنوعی و فناوری های نوین با همکاری گروه DLeX و آزمایشگاه سامانه های پردازش هوشمند رایانه ای دانشگاه تبریز در شهریور 99 برگزار شد. اگر سوالی هم داشتید در قسمت کامنت بنویسید حتما پاسخ خواهم داد.
برای ورود به صفحه دانلود مقاله در Arxiv کلیک کنید.
معرفی Inception V4
از زمان مسابقه Imagenet 2012 و ارائه مدل Alexnet توسط برنده مسابقه آلکس کریژِوسکی، این مدل در بسیاری از تسک های بینایی ماشین مثل تشخیص اشیا، دسته بندی ویدئو ها، دنبال کردن اشیا و سوپررزولوشن عملکرد بسیاری خوبی از خودش نشون داده. این ها فقط چند مثال از انبوهی از کاربرد ها هستند که شبکه های کانولوشن تونستند عملکرد خیلی خوبی از خودشون به نمایش بذارن.
مقاله Inception V4 ترکیبی از 2 ایده جدید هست: اتصالات Residual که توسط دکتر Kaiming He معرفی شد و آخرین معماری معرفی شده از Inception
در مقاله اصلی اتصالات Residual درباره اهمیت بالای این اتصالات در شبکه های خیلی عمیق بحث شده که در اینجا زیاد بهش وارد نمیشیم. از اونجایی هم که Inception یک شبکه خیلی عمیق هست، پیشنهاد شد که به جای استیج های Filter Concatenation در معماری Inception از Residual Connection ها استفاده بشه. جدا از این تغییرات تحقیقاتی هم روی بهینه سازی Incpetion با عمیق تر و پهن تر کردنش انجام شد که در مجموع همه این ها منجر به Inception نسخه 4 شد.
Residual Connections
همونطور که گفتیم این اتصالات توسط کتر Kaiming He در مقاله Deep residual learning for image recognition معرفی شدند. در این مقاله شواهد عملی و نظری قانع کننده خوبی در مورد مزایای استفاده از ادغام افزودنی سیگنال ها ( Additive Merging of Signals ) در تسک هایی مثل Image Recognition و Object Detection ارائه شده و در نهایت پیشنهاد میشه که در شبکه های خیلی عمیق از این معماری استفاده کنید. در زیر تصویری از اتصالات Residual معرفی شده در مقاله مذکور رو میتونید مشاهده می کنید.
معماری نهایی Inception نسخه 4
همونطور که در تصویر اول صفحه پیدا هست معماری این مدل از چندین بلوک تشکیل شده که هر کدوم از این بلوک ها معماری خودشون رو دارن. در زیر تک تک این بلوک ها رو با توضیحی مختصر شرح خواهیم داد.
تصویر بالا ریشه دو معماری Inception-v4 و Inception-ResNet-v2 یعنی ورودی این دو شبکه هست.
تصویر بالا ماژول های grid با اندازه 35 در 35 رو نمایش میده که در معماری کلی به بلوک Inception-A معروف است.
تصویر بالا ماژول های grid با اندازه 17 در 17 رو نمایش میده که در معماری کلی به بلوک Inception-B معروف است.
تصویر بالا ماژول های grid با اندازه 8 در 8 رو نمایش میده که در معماری کلی به بلوک Inception-C معروف است.
تصویر بالا طرح یک بلوک کاهش 35 در 35 به 17 در 17 هست که در معماری اصلی با نام Reduction-A استفاده شده. حروف k، l، m و n در بلوک های کانولوشن پارامتر های اندازه های بانک فیلتر هستند که در جدویل زیر میتونید پیدا کنید.
این جدول اندازه هایی که برای هر نسخه از Inception قابل استفاده است رو به نمایش گذاشته که در اینجا هدف ما سطر اول یعنی Inception V4 هست.
در نهایت طرح یک بلوک کاهش 17 در 17 به 8 در 8 هست که در معماری اصلی با نام Reduction-B استفاده شده.
تصویر کلی معماری Inception V4 رومیتونید در زیر ببینید.
نحوه ساختن هر بلوک و اتصال آنها به هم دیگر رو میتونید در ویدئو زیر مشاهده کنید.
موفق و پیروز باشید.
بخش بعدی: پیاده سازی مدلی برای تشخیص آلزایمر از روی تصاویر مغز با Keras
1 دیدگاه روشن پیاده سازی مقاله معماری مدل Inception V4 با Keras
مهندس جان لطفا راهنمایی کن مارو، برای instance segmentation در X-ray images بهتره backbone الگوریتم U-net مون رو Inception بذاریم یا ResNet ؟ با yolov8 که نتیجه خوبی نگرفتیم