مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه مهندسی برق و مهندسی کامپيوتر ايران 16823745 23 1 2025 8 12 A Novel Method Based-on Gradient and Deep Neural Network Filters to Generate Texture Images ارائه یک روش مبتنی بر گرادیان و کرنل‌های شبکه عصبی عمیق به‌منظور تولید تصاویر بافتی 29 40 fa محمدحسین شکور شيراز 2024 6 17 <p style="direction: ltr;">Production of image databases is one of the necessities of machine vision. There are various methods such as rotating, changing the viewing angle, resizing, etc., to increase the image data. The disadvantage of these methods is that the generated images are very similar to the original images and it is not enough to prevent overfitting. Among all types of images, texture images have more challenges. In this research, a new texture is generated using the convolution coefficients of pre-trained deep networks. In this method, new textured images are artificially produced by applying an ascending gradient to the images resulting from convolution filters. The difference between this method and the generative methods is that there is no initial texture image to increase, but here a new class of texture image is generated from the coefficients of the pre-trained deep network. After the new texture is produced, its number is increased by image processing methods. This method is between 3 and 5 times faster than some well-known generator networks. The quality of the images is much better. With this method, a texture database example has been produced, which includes 2400 images in 80 classes, and has been uploaded to the Kaggle site.</p> <p>تولید پایگاه&zwnj;های داده تصاویر یکی از ضروریات بینایی ماشین به شمار می&zwnj;رود. روش&zwnj;های مختلفی مثل چرخش، تغییر روشنایی و زاویه دید، تغییر اندازه و ... برای افزایش داده&zwnj;های تصویری وجود دارد. عیب این روش&zwnj;ها آن است که تصاویر تولیدشده خیلی شبیه به تصاویر اولیه است و برای جلوگیری از بیش&zwnj;برازش کفایت نمی&zwnj;کند. شبکه&zwnj;های مواد تخاصمی هم از همین مشکل برخوردار است. از بین همه انواع تصاویر، تصاویر بافتی چالش&zwnj;های بیشتری دارند؛ چون تصاویر&zwnj; بافتی را نمی&zwnj;توان مانند تصاویر معمولی با دوربین تصویربرداری تهیه کرد، زیرا بافت به&zwnj;راحتی در همه جا در دسترس نیست و هر نوع تصویری دارای بافت نیست. امروزه شبکه&zwnj;های عصبی عمیق به داده&zwnj;های حجیم برای آموزش نیاز دارند و در حال حاضر داده حجیم بافتی وجود ندارد. با استفاده از روش پیشنهادی می&zwnj;توان مجموعه داده&zwnj;های بافتی حجیم تهیه کرد. در این مقاله با &zwnj;استفاده از ضرایب کانولوشن شبکه&zwnj;های عمیق پیش&zwnj;آموزش&zwnj;داده&zwnj;شده بافت جدید تولید می&zwnj;شود. در این&zwnj; روش با اعمال گرادیان صعودی به تصاویر حاصل از فیلترهای کانولوشن، تصاویر بافتی جدید به طور مصنوعی تولید می&zwnj;شود. تفاوت این روش با روش&zwnj;های مولد آن است که این روش نیاز به تصاویر اولیه ندارد، بلکه در اینجا کلاس جدید بافتی تولید می&zwnj;گردد. پس از تولید بافت جدید، با روش&zwnj;های پردازش تصویر تعداد آن افزایش داده می&zwnj;شود. این روش بین 3 تا 5 برابر سریع&zwnj;تر از چند شبکه مولد مشهور است. کیفیت تصاویر هم خیلی بهتر است. یک نمونه پایگاه داده بافتی تولید شده که شامل 2400 تصویر در 80 کلاس می&zwnj;باشد و در سایت Kaggle بارگذاری شده است.</p> http://ijece.org/ar/Article/Download/47082