شبکه‌های عصبی مصنوعی و بازشناسی الگوهای آماری ۲۰۱۴
Artificial Neural Networks and Statistical Pattern Recognition 2014

با پیچیده‌تر شدن مسائل مرتبط با تشخیص الگو که با استفاده از شبکه‌های عصبی مصنوعی حل می‌شوند، بسیاری از محققان شبکه‌های عصبی مصنوعی با مسائل طراحی مانند اندازه شبکه، تعداد الگوهای آموزشی، ارزیابی عملکرد و محدودیت‌ها دست و پنجه نرم می‌کنند. این محققان به‌طور مداوم در حال کشف مجدد این موضوع هستند که بسیاری از روش‌های یادگیری فاقد ویژگی مقیاس‌پذیری هستند؛ به این معنا که این روش‌ها به سادگی با شکست مواجه می‌شوند، یا نتایج نامطلوبی را هنگام اعمال بر روی مسائل بزرگ‌تر ارائه می‌دهند.

پدیده‌هایی از این دست برای محققان در حوزه تشخیص آماری الگو (SPR) بسیار آشنا است، جایی که «نفرین ابعاد» یک معضل شناخته شده است. مسائل مربوط به اندازه نمونه‌های آموزش و آزمایش، ابعاد فضای ویژگی، و قدرت تمایز انواع مختلف طبقه‌بندی‌کننده‌ها، همگی به طور گسترده در ادبیات تشخیص آماری الگو مورد مطالعه قرار گرفته‌اند.

به نظر می‌رسد با این وجود، بسیاری از محققان شبکه‌های عصبی مصنوعی که به مسائل تشخیص الگو نگاه می‌کنند، از ارتباط بین حوزه خود و تشخیص آماری الگو آگاه نیستند، و بنابراین قادر به بهره‌برداری موفقیت‌آمیز از کارهایی که قبلاً در تشخیص آماری الگو انجام شده‌اند، نیستند. به طور مشابه، بسیاری از محققان تشخیص الگو و بینایی کامپیوتر، به پتانسیل رویکرد شبکه‌های عصبی مصنوعی برای حل مسائلی مانند استخراج ویژگی، قطعه‌بندی و تشخیص اشیا پی نبرده‌اند. این مجلد حاضر به عنوان سهمی در تعامل بیشتر بین جوامع تحقیقاتی شبکه‌های عصبی مصنوعی و تشخیص آماری الگو طراحی شده است.

With the growing complexity of pattern recognition related problems being solved using Artificial Neural Networks, many ANN researchers are grappling with design issues such as the size of the network, the number of training patterns, and performance assessment and bounds. These researchers are continually rediscovering that many learning procedures lack the scaling property; the procedures simply fail, or yield unsatisfactory results when applied to problems of bigger size. Phenomena like these are very familiar to researchers in statistical pattern recognition (SPR), where the curse of dimensionality is a well-known dilemma. Issues related to the training and test sample sizes, feature space dimensionality, and the discriminatory power of different classifier types have all been extensively studied in the SPR literature. It appears however that many ANN researchers looking at pattern recognition problems are not aware of the ties between their field and SPR, and are therefore unable to successfully exploit work that has already been done in SPR. Similarly, many pattern recognition and computer vision researchers do not realize the potential of the ANN approach to solve problems such as feature extraction, segmentation, and object recognition. The present volume is designed as a contribution to the greater interaction between the ANN and SPR research communities.