Effect of the SVM algorithm on deep classification networks
Samar Abd Alhanai Al-Halabi
Fida Emad Khalil
Faculty of Engineering || Al-Wataniya Private University || Syria
Abstract: The study aimed at applying several convolutional neural networks on two data samples containing a large group of human images in order to identify them through transfer learning technology, and study the effect of applying support vector machine (SVM) on these networks.
Human facial recognition technology is an important problem; this technology is applied broadly in security (such as criminal identification), education (such as attendance systems), protection systems (such as secure electronic banking), etc.
Traditional algorithms didn’t give optimal results in the classification field, so we used the newest (CNNs) in its.
Additionally, we replaced classification layer in each of the networks studied with (svm), to study its effect on the performance of these networks in accuracy and time.
At the end, we got good results that achieved accuracy about 99% and reducing training time and classification error rate in some cases.
Keywords: Transfer learning, Machine Learning, Image Classification, Convolutional Neural Networks, Support Vector Machine (SVM).
تأثير خوارزمية SVM على شبكات التصنيف العميقة
سمر عبد الغني الحلبي
فداء عماد خليل
كلية الهندسة || الجامعة الوطنية الخاصة || سوريا
المستخلص: هدفت الدراسة إلى تطبيق عدة شبكات عصبونية تلافيفية على عينتي بيانات تضمان مجموعة كبيرة من الصور البشرية بهدف التعرف عليها من خلال تقنية التعلم بالنقل، ودراسة مدى تأثير تطبيق خوارزمية متجه دعم الآلة على هذه الشبكات.
تعد تقنية التعرف على الوجوه البشرية من المسائل المهمة، فقد تم تطبيقها على نطاق واسع في العديد من المجالات منها الأمنية كالتعرف على المجرمين، والتعليمية كأنظمة الحضور، وأنظمة الحماية كالخدمات المصرفية الالكترونية الآمنة، وغيرها.
لا تعطي الخوارزميات التقليدية نتائج مثلى في هذا المجال لذلك قمنا بالعمل على عدة شبكات عصبونية تلافيفية اعتمدت في مجال التصنيف من الأقدم إلى الأحدث، بالإضافة إلى ذلك استبدلنا طبقة التصنيف في كل شبكة من الشبكات المدروسة بخوارزمية متجه دعم الآلة للاستفادة من مزاياها في فصل البيانات غير الخطية ودراسة مدى تأثيرها على أداء هذه الشبكات من ناحية الدقة والزمن.
حصلنا في نهاية البحث على مجموعة من النتائج الجيدة، والتي حققت دقة عالية بلغت تقريباً 99% وانخفاض في زمن التدريب ونسبة خطأ التصنيف في بعض الحالات المدروسة.
الكلمات المفتاحية: التعلم بالنقل، تعلم الآلة، التصنيف، شبكة عصبية تلافيفيه، خوارزمية متجه دعم الآلة.