کاربردهای دنیای واقعی شبکه‌های عصبی کانولوشنی CNN

شبکه‌های عصبی کانولوشنی (CNN) در بسیاری از تسک‎‌های بینایی ماشین به موفقیت رسیده‌اند. در ادامه برخی از کاربردهای دنیای واقعی CNN ارائه شده‌اند:

تشخیص چهره: شبکه‌های CNN برای تشخیص چهره در تصاویر استفاده می‌شوند. این شبکه یک تصویر را به عنوان ورودی دریافت می‌کند و مجموعه مقادیری تولید می‌کند که مشخصه‌های چهره‌ها و یا ویژگی‌های چهره را در بخش‌های مختلف تصویر نشان می‌دهد. CNNها نسبت به الگوریتم‌های قبلی، دقت بهبود یافته‌ای داشته‌اند. طبق گزارشات مقالات اخیر 97% از چهره‌ها را در تصاویر شناسایی می‌کنند. همچنین می‌توان از CNNها برای کاهش میزان اعوجاج در تصاویر استفاده کرد. این شبکه می‌توان ویژگی‌هایی چون چشم‌ها، بینی و دهان را با دقت زیادی شناسایی کند.

تشخیص احساسات چهره: CNNها را می‌توان استفاده کرد تا بین حالات مختلف چهره چون خشم، غم و شادی تمایز قائل شود. CNNها می‌توانند برای عملکرد مناسب با شرایط نوری مختلف و زوایای چهره در تصاویر سازگار شوند.

تشخیص اشیا:

CNNها را می‌توان برای تشخیص اشیا در تصاویر استفاده کرد و برای این منظور لازم است که اشیا را بر اساس شکل و الگوی آنها کلاسبندی کرد. مدل‌های CNNای ساخته شده‌اند که می‌توانند طیف وسیعی از اشیا را شناسایی کنند از اقلام روزمره مانند غذا و … گرفته تا افراد مشهور و حیوانات و اقلام غیرعادی‌تر مانند اسکناس دلار و اسلحه. تشخیص شی با استفاده از تکنیک‌هایی چون سگمنت بندی معنایی و یا نمونه‌ای انجام می‌شود. CNNها برای محل یابی و یا شناسایی اشیا درون تصاویر استفاده می‌شوند مانند هواپیماهای بدون سرنشین یا اتومبیل‌های خودران.

اتومبیل‌های خودران: CNNها در زمینه وسایل نقلیه خودکار نیز استفاده می‌شوند تا موانع را شناسایی کنند و یا علائم خیابان را تفسیر کنند. CNNها همراه با یادگیری تقویتی برای دریافت بازخورد مثبت و منفی از محیط استفاده می‎شوند تا مشخص شود که مدل‌های CNN چطور در مواجهه با موقعیت‌های خاص واکنش نشان می‌دهد.

ترجمه خودکار

شبکه CNN برای ترجمه خودکار بین جفت زبان‌هایی چون انگلیسی و فرانسوی استفاده می‌شود. همچنین CNN برای ترجمه بین جفت زبان‌هایی چون چینی و انگلیسی با درجه دقت بالا استفاده می‌شود و نیاز به ترجمه کلمه به کلمه با دستیارهای انسانی نخواهد بود.

تشخیص کاراکتر دست نویس: CNNها را می‌توان برای تشخیص کاراکترهای دست نویس استفاده کرد. CNNها تصویر یک کاراکتر را به عنوان ورودی می‌گیرند و آن را به بخش‌های کوچکتر تقسیم می‌کنند و نقاطی را شناسایی می‌کنند که به نقاط دیگر متصل هستند و می‌توانند شکل کاراکتر بزرگتر را تعیین کنند. مدل‌های CNN ساخته شده‌اند که می‌توانند کاراکترهای نوشته شده به زبان‌های مختلف چون چینی، عربی و روسی را شناسایی کنند.

تحلیل تصویر اشعه ایکس:

CNNها را می‌توان برای تصویربرداری پزشکی استفاده کرد تا تومورها یا سایر ناهنجاری‌ها در تصاویر اشعه ایکس شناسایی شوند. مدل‌های CNN می‌توانند قسمتی از بدن انسان مانند زانو را لحاظ کنند. بر اساس تصاویر مشابه قبلی که توسط شبکه‌های CNN پردازش شده‌اند و تعیین کنند که در کجای آن تصویر ممکن است تومور وجود داشته باشد. مدل‌های CNN را می‌توان برای تعیین ناهنجاری‌ها در تصاویر اشعه ایکس استفاده کرد. همچنین CNN ها را برای تعیین اینکه کدام ناحیه از تصویر اشعه ایکس حاوی تومور یا سایر ناهنجاری‌ها مانند شکستگی استخوان است استفاده کرد.

تشخیص سرطان: CNNها را می‌توان برای تشخیص سرطان در تصاویر پزشکی مانند ماموگرافی و سی تی اسکن استفاده کرد. مدل‌های CNN تصویر یک بیمار را می‌گیرند و آن را با تصاویر پایگاه داده‌ای مقایسه می‌کند که دارای ویژگی‌های مشابه هستند و تشخیص می‌دهد آیا علائمی در تصاویر وجود دارد که نشاندهنده‌ی بدخیمی یا آسیب سلول‌هاست. مدل‌های CNN می‌توانند نتایج بسیار دقیقی تولید کنند و حتی CNNها توانسته‌اند سلول‌های سرطانی را با دقت 95 درصد شناسایی کنند.

تولید کپشن برای تصاویر:

شبکه CNN را می‌توان برای تولید کپشن‌های کوتاه برای تصاویر استفاده کرد و یا چندین تصویر را به طور همزمان پردازش کرد. مدل‌های CNN می‌توانند توالی از تصاویر را به عنوان ورودی بگیرند و یک یا چند جمله بسازند که شرح دهند چه چیزی در آن تصاویر وجود دارد.

احراز هویت بیومتریک:

می‌توان از CNNها برای احراز هویت بیومتریک یک کاربر استفاده کرد. مدل‌های CNN می‌توانند بر روی تصاویر یا ویدیوهای افراد نیز آموزش ببینند و یک بردار خروجی تولید کنند که ویژگی‌های خاص صورت مانند فاصله بین چشم‌ها، شکل بینی، انحنای لب و غیره را مشخص می‌کند. همچنین CNNها می‌توانند تشخیص دهند که آیا فرد در یک تصویر در حال پلک زدن است یا خیر و شکل کلی و نقاط کلیدی فریم‌های تصویر را شناسایی کند.