نهج هجين كفوء قائم على الشبكات العصبية الالتفافية وآلة المتجهات الداعمة للتعرّف على أنماط الصور وتصنيفها

الملخص

يُعدّ التعرّف على أنماط الصور (Image Pattern Recognition) أحد المكونات الأساسية في أنظمة الرؤية الحاسوبية الحديثة، سواء في الأنظمة المستقلة أو في تطبيقات تحليل الصور في قطاع الرعاية الصحية. ومع التزايد المستمر في حجم البيانات المرئية وتعقيدها، تتنامى الحاجة إلى تطوير نماذج تجمع بين الدقة العالية والكفاءة الحاسوبية.

وللوصول إلى أسلوب فعّال للتعرّف على الصور قائم على الأنماط باستخدام حل هجين، يقدم هذا البحث منهجًا هجينًا للتعرّف على أنماط الصور من خلال دمج الشبكات العصبية الالتفافية (Convolutional Neural Networks – CNNs) مع آلة المتجهات الداعمة (Support Vector Machine – SVM). تُستخدم شبكة CNN لاستخراج سمات تمييزية وهرمية من الصور المدخلة وتعلّمها، في حين تُستخدم SVM لإجراء عملية التصنيف اعتمادًا على السمات المستخلصة. ويتيح هذا الفصل بين مرحلتي استخلاص السمات والتصنيف الاستفادة من قدرة الشبكات العميقة على تمثيل الخصائص المعقدة، إلى جانب قدرة SVM على بناء حدود قرار فعّالة، مما يسهم في تعزيز أداء عملية التصنيف.

ولتقييم المنهج المقترح، استُخدمت مجموعة بيانات CIFAR-10، التي تُعدّ معيارًا شائعًا لتقييم خوارزميات تصنيف الصور. ولتحسين أداء شبكة CNN أثناء التدريب، استُخدمت تقنيات جدولة معدل التعلّم التكيفية (Adaptive Learning Rate Scheduling) وزيادة البيانات (Data Augmentation). وبعد ذلك، استُخدمت السمات العميقة المستخلصة من شبكة CNN لتدريب مصنف SVM باستخدام دالة النواة ذات الأساس الشعاعي (Radial Basis Function – RBF Kernel).

تشير النتائج التجريبية إلى أن الإطار الهجين CNN-SVM حقق دقة تصنيف بلغت 98%، متفوقًا بذلك على نموذج CNN المستقل المستخدم كخط أساس للمقارنة. وتوضح هذه النتائج إمكانية تحقيق أداء تصنيفي مرتفع من خلال الجمع بين تقنيات التعلم العميق وبعض خوارزميات التعلم الآلي التقليدية، مع إضافة محدودة إلى تعقيد النموذج.

وبصورة عامة، يقدم الإطار المقترح حلًا عمليًا وفعّالًا لمشكلة التعرّف على أنماط الصور، كما تشير النتائج إلى أن البنى الهجينة التي تجمع بين تقنيات التعلم العميق وخوارزميات التعلم الآلي التقليدية يمكن أن تمثل اتجاهًا واعدًا في تطوير أنظمة التعلم الآلي المتقدمة.