بهینه سازی ساختاری شبکه عصبی عمیق سلسله مراتبی خودتوجه و رمزگذاری پویای تک متغیره برای بزرگنمایی تصاویر دیجیتال

بزرگ نمایی تصاویر دیجیتالی یکی از روش های پردازش تصویر می باشد، که وضوح تصویر را در زمینه دید رایانه ای بهبود می بخشد. در اصل این کار برای بزرگ نمایی تصاویر ثابت ومتحرک که از زمان تصویر برداری آن ها گذشته و دسترسی به دوربین یا صحنه ها برای زوم وجود ندارد، استفاده می شود. در این مقاله از شبکه سلسله مراتبی جهت استخراج ویژگی های سطح بالا برای حل چالش مرز بندی بین رنگ ها و از بلوک های توجه خود آموز برای کاهش عملیات کانولوشن پیشنهاد می شود. در ادامه برای بهینه سازی شبکه از روش جستجو تصادفی و تقسیم دودویی برای یافتن پاسخ بهینه پارامتر ها و فراپارامتر ها استفاده می گردد. با استفاده از روش جستجوی ذکر شده علاوه بر جستجوی وزن ها و پارامتر های شبکه، میتوان ساختار معماری را نیز جستجو کرد، این عمل باعث تنظیم خودکار فراپارامترها و بهینه سازی ساختار شبکه خواهد شد. برای بررسی کارایی روش پیشنهادی، نتایج شبیه سازی بر روی پایگاه داده تصاویر در این حوزه تست شده که این نتایج برتری روش پیشنهادی نسبت به روش های دیگر را نمایش می دهد. باتوجه به نتایج بدست آمده در بهینه سازی معماری با استفاده از روش ذکرشده در بزرگ-نمایی چهار برابر با بلوک سلسله مراتبی چهار طبقه و استفاده از بلوک توجه در بخش بزرگ نمایی به عدد سیگنال به نویز 66/32 دست یافت.