BIO-INSPIRED DEEP LEARNING MODEL FOR OBJECT RECOGNITION / Omar Hernoune  

Public ISBD Titre : BIO-INSPIRED DEEP LEARNING MODEL FOR OBJECT RECOGNITION Type de document : texte imprimé Auteurs : Omar Hernoune, Auteur ; Aymen Meskher ; Hadi, Fairouz, Directeur de thèse Editeur : Sétif:UFS Année de publication : 2023 Importance : 1 vol (70 f.) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Bio-inspiré Apprentissage en profondeur Réseaux de neurones convolutionnels Reconnaissance d’objets Algorithme g´en´etique Index. décimale : 004 - Informatique Résumé : La reconnaissance d’objets joue un rˆole crucial dans les applications de vision par ordinateur, et les mod`eles d’apprentissage en profondeur, en particulier les r´eseaux de neurones convolutionnels, ont montr´e un succ`es remarquable dans ce domaine. Cependant, pour obtenir des performances optimales dans les CNN, il est essentiel de s´electionner des hyperparam`etres appropri´es, tels que le taux d’apprentissage, le nombre et la taille des filtres. Dans cette ´etude, nous proposons un mod`ele d’apprentissage en profondeur inspir´e de la biologie qui exploite quatre algorithmes d’optimisation diff´erents : l’algorithme g´en´etique, l’optimisation par essaim de particules, l’optimiseur du loup gris et l’optimiseur de veuve noire, pour optimiser ces hyperparam`etres afin d’am´eliorer la reconnaissance d’objets. Les algorithmes d’optimisation inspir´es de la biologie imitent les comportements des syst`emes biologiques et ont d´emontr´e leur efficacit´e dans la r´esolution de probl`emes d’optimisation complexes. Dans cette recherche, nous comparons les performances de ces quatre algorithmes en ´evaluant leur capacit´e `a trouver des hyperparam`etres optimaux pour le mod`ele CNN. Les exp´eriences sont men´ees `a l’aide d’un ensemble de donn´ees de r´ef´erence pour les tˆaches de reconnaissance d’objets. A travers des m´etriques d’´evaluation compl`etes, comprenant la pr´ecision de ` reconnaissance, la convergence de l’apprentissage et l’efficacit´e computationnelle, nous ´evaluons les performances de ces algorithmes dans l’optimisation des hyperparam`etres pour les tˆaches de reconnaissance d’objets. Cette ´etude fournit des informations pr´ecieuses sur les forces et les limites des diff´erents algorithmes d’optimisation inspir´es de la biologie dans le contexte des mod`eles d’apprentissage en profondeur pour la reconnaissance d’objets = Object recognition plays a crucial role in computer vision applications, and deep learning models, particularly Convolutional Neural Networks (CNNs), have shown remarkable success in this domain. However, achieving optimal performance in CNNs heavily relies on selecting appropriate hyperparameters, such as the learning rate and the number and size of filters. In this study, we propose a bio-inspired deep learning model that leverages four different optimization algorithms : Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Grey Wolf Optimizer (GWO), and Black Widow Optimizer (BWO), to optimize these hyperparameters for enhanced object recognition. The bio-inspired optimization algorithms mimic the behaviors of biological systems and have demonstrated effectiveness in solving complex optimization problems. In this research, we compare the performance of these four algorithms by evaluating their ability to find optimal hyperparameters for the CNN model. The experiments are conducted using a benchmark dataset for object recognition tasks. Through comprehensive evaluation metrics, including recognition accuracy, training convergence, and computational efficiency, we assess the performance of these algorithms in optimizing hyperparameters for object recognition tasks. This study provides valuable insights into the strengths and limitations of different bioinspired optimization algorithms in the context of deep learning models for object recognition. Côte titre : MAI/0812 En ligne : https://drive.google.com/file/d/1sLUHZ_vdsVpI4vQoM-k4bmHSqb5izt1v/view?usp=drive [...] Format de la ressource électronique : pdf BIO-INSPIRED DEEP LEARNING MODEL FOR OBJECT RECOGNITION [texte imprimé] / Omar Hernoune, Auteur ; Aymen Meskher ; Hadi, Fairouz, Directeur de thèse . - [S.l.] : Sétif:UFS, 2023 . - 1 vol (70 f.) ; 29 cm. Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Bio-inspiré Apprentissage en profondeur Réseaux de neurones convolutionnels Reconnaissance d’objets Algorithme g´en´etique Index. décimale : 004 - Informatique Résumé : La reconnaissance d’objets joue un rˆole crucial dans les applications de vision par ordinateur, et les mod`eles d’apprentissage en profondeur, en particulier les r´eseaux de neurones convolutionnels, ont montr´e un succ`es remarquable dans ce domaine. Cependant, pour obtenir des performances optimales dans les CNN, il est essentiel de s´electionner des hyperparam`etres appropri´es, tels que le taux d’apprentissage, le nombre et la taille des filtres. Dans cette ´etude, nous proposons un mod`ele d’apprentissage en profondeur inspir´e de la biologie qui exploite quatre algorithmes d’optimisation diff´erents : l’algorithme g´en´etique, l’optimisation par essaim de particules, l’optimiseur du loup gris et l’optimiseur de veuve noire, pour optimiser ces hyperparam`etres afin d’am´eliorer la reconnaissance d’objets. Les algorithmes d’optimisation inspir´es de la biologie imitent les comportements des syst`emes biologiques et ont d´emontr´e leur efficacit´e dans la r´esolution de probl`emes d’optimisation complexes. Dans cette recherche, nous comparons les performances de ces quatre algorithmes en ´evaluant leur capacit´e `a trouver des hyperparam`etres optimaux pour le mod`ele CNN. Les exp´eriences sont men´ees `a l’aide d’un ensemble de donn´ees de r´ef´erence pour les tˆaches de reconnaissance d’objets. A travers des m´etriques d’´evaluation compl`etes, comprenant la pr´ecision de ` reconnaissance, la convergence de l’apprentissage et l’efficacit´e computationnelle, nous ´evaluons les performances de ces algorithmes dans l’optimisation des hyperparam`etres pour les tˆaches de reconnaissance d’objets. Cette ´etude fournit des informations pr´ecieuses sur les forces et les limites des diff´erents algorithmes d’optimisation inspir´es de la biologie dans le contexte des mod`eles d’apprentissage en profondeur pour la reconnaissance d’objets = Object recognition plays a crucial role in computer vision applications, and deep learning models, particularly Convolutional Neural Networks (CNNs), have shown remarkable success in this domain. However, achieving optimal performance in CNNs heavily relies on selecting appropriate hyperparameters, such as the learning rate and the number and size of filters. In this study, we propose a bio-inspired deep learning model that leverages four different optimization algorithms : Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Grey Wolf Optimizer (GWO), and Black Widow Optimizer (BWO), to optimize these hyperparameters for enhanced object recognition. The bio-inspired optimization algorithms mimic the behaviors of biological systems and have demonstrated effectiveness in solving complex optimization problems. In this research, we compare the performance of these four algorithms by evaluating their ability to find optimal hyperparameters for the CNN model. The experiments are conducted using a benchmark dataset for object recognition tasks. Through comprehensive evaluation metrics, including recognition accuracy, training convergence, and computational efficiency, we assess the performance of these algorithms in optimizing hyperparameters for object recognition tasks. This study provides valuable insights into the strengths and limitations of different bioinspired optimization algorithms in the context of deep learning models for object recognition. Côte titre : MAI/0812 En ligne : https://drive.google.com/file/d/1sLUHZ_vdsVpI4vQoM-k4bmHSqb5izt1v/view?usp=drive [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0812	MAI/0812	Mémoire	Bibliothéque des sciences	Anglais	Disponible Disponible

---

1 (1 - 1 / 1)