ارائه­ دهنده:

  استاد راهنما:

 دکتر رضا برنگی، دکتر محمدرضا محمدی
استاد مشاور:
دکتر محمود فتحی
  استاد ممتحن خارجی :  دکتر کاظم فولادی
استاد ممتحن داخلی: دکتر محسن سریانی

  زمان :  چهارشنبه  01  اردیبهشت ماه 1398

ساعت 15:30
  مکان: دانشکده مهندسی کامپیوتر- طبقه سوم- اتاق 304

خانم فاطمه روستائی دانشجوی کارشناسی ارشد آقایان دکتر رضا برنگی، دکتر محمدرضا محمدی چهارشنبه 01 خرداد ماه ساعت   15:30 در اتاق 304 واقع در طبقه سوم دانشکده کامپیوتر از پروژه کارشناسی ارشد خود تحت عنوان تنظیم دقیق شبکه‌های کانولوشنی عمیق برای طبقه‌بندی آثار هنری دفاع خواهند نمود.

چکیده پایان نامه:

با پیشرفت سریع دیجیتال‌سازی نقاشی‌ها، مجموعه‌های عظیم از آثار هنری در دسترس عموم قرار گرفته است. از این رو تحلیل نقاشی‌ها و طبقه‌بندی آن‌ها برای آرشیو و بازیابی آثار هنری و نمایه‌سازی پایگاه‌های آثار هنری بسیار مورد توجه قرار گرفته است. با توجه به عملکرد موفق روش‌های یادگیری عمیق در مسائل بینایی ماشین، کاربرد آن‌ها در زمینه‌ی طبقه‌بندی آثار هنری مورد بررسی قرار گرفته است. در مقایسه با طبقه‌بندی اشیاء طبیعی، طبقه‌بندی آثار هنری بسیار چالش‌برانگیز است، زیرا بسیاری از مقوله‌های هنری نیاز به تجسم و درک مفاهیم انتزاعی و پیشینه‌ی قوی تاریخ هنر دارد. همچنین تمایز میان سبک‌های هنری به دلیل شباهت بسیار آن‌ها پیچیده و دشوار است. تحقیقات اخیر قابلیت انتقال دانش شبکه‌های عصبی پیش آموخته به طبقه‌بندی آثار هنری را بررسی کرده‌اند. در این پایان‌نامه نیز مدل‌های پیش آموخته و انتقال ویژگی‌ برای طبقه‌بندی آثار هنری از منظر سبک هنری مورد استفاده قرار گرفته است. همچنین این پژوهش یک رویکرد جدید طبقه‌بندی دو سطحی با هدف بهبود دقت طبقه‌بندی سبک هنری معرفی کرده است. در این روش خروجی شبکه از دو سطح مشخص می‌شود، سطح اول برچسب گروه تصویر ورودی و سطح دوم برچسب سبک تصویر ورودی را تعیین می‌کند. در فاز آموزش ابتدا با استفاده از درخت برچسب سلسله مراتبی تولید شده براساس ماتریس درهم‌ریختگی مدل مسطح، هم‌گروهی‌های کلاس سبک تصویر ورودی تعیین می‌شود و سپس خطا تنها برای این گروه محاسبه می‌گردد. همچنین برای محاسبه‌ی خطای کلی از مجموع وزنی خطای دو سطح استفاده شده است. در فاز ارزیابی نیز ابتدا گروه تصویر مشخص می‌شود سپس برچسب سبک تصویر از میان اعضای آن گروه تعیین می‌شود. عامل اصلی بهبود دقت در این روش، تقلیل وظیفه‌ی طبقه‌بندی به چند وظیفه‌ی طبقه‌بندی ساده‌تر است. روش پیشنهادی با استفاده از دو شبکه‌ی DenseNet و ResNet پیش‌آموخته بر روی تصاویر ImageNet مورد ارزیابی قرار گرفت. نتایج آزمون‌های انجام شده بر روی مجموعه دادگان WikiArt نشان داد که روش پیشنهادی دقت روش‌‌هایی پایه را برای شبکه‌ی ResNet از 49 درصد به 54 درصد و شبکه‌ی DenseNet از 52 درصد به 55 درصد رسانده است. همچنین با مقایسه‌ی نتایج این مدل و روش‌های پیشین عملکرد بهتر مدل پیشنهادی را نشان می‌دهد.
 
واژه‌های کلیدی: طبقه‌بندی آثار هنری، بازشناسی سبک هنری، یادگیری عمیق، شبکه‌های عصبی پیچشی، انتقال یادگیری، شبکه‌ی پیش‌آموخته، طبقه‌بندی دو سطحی.
 

  از اساتید بزرگوار، دانشجویان گرامی و دیگر متخصصان و علاقه مندان به موضوع دفاعیه دعوت
می شود با حضور خود موجبات غنای علمی و ارتقای کیفی را فراهم سازند.

  دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی