239
tadqiqotlarning aksariyati katta hisoblash xarajatlarini talab qilganligini ko‘rishimiz
mumkin ya’ni talab qilingan davrlar va qatlamlar sonidan ko‘rish mumkin, shuning uchun
taklif qilingan usulning moslashuvchanligi pasayadi va hisoblash
xarajatlari tufayli
kundalik hayotda qo‘llanilishi qiyin [4]. Biroq, vaqt o‘tishi bilan asl tasvir ma’lumotlarini
qo‘shish va o‘zgartirishlarga moslasha olish uchun tasvir firibgarligini aniqlash usullariga
ehtiyoj bor.
Xato darajasini tahlil qilish (ELA) - tasvirni ma’lum bir sifat darajasida qayta saqlash va
siqilish darajalari o‘rtasidagi taqqoslashni hisoblash orqali tasvirni manipulyatsiya qilishni
aniqlash uchun ishlatiladigan usul. Umuman olganda, bu usul yo‘qolgan siqilish formatiga
ega bo‘lgan tasvirlarda amalga oshiriladi. Ushbu ma’lumotlarni qidirishda ishlatiladigan
rasm turi JPEG. JPEG tasvirlarda siqish rasmdagi har 8x8 piksel uchun mustaqil ravishda
amalga oshiriladi. Agar rasm o‘zgartirilmasa, tasvirdagi har 8x8 piksel bir xil xatolik
darajasiga ega bo‘lishi kerak [5].
CNN - bu oldinga uzatishga asoslangan tarmoq turi bo‘lib, unda axborot oqimi faqat bitta
yo‘l, ya’ni kirishdan chiqishgacha bo‘ladi. CNN arxitekturasining bir nechta turlari mavjud
bo‘lsa-da, umuman olganda, CNN bir nechta konvolyutsion va birlashtiruvchi qatlamlarga
ega. Keyin, undan keyin bir yoki bir nechta to‘liq bog‘langan qatlamlar. Rasmlarni
tasniflashda CNN ga kirish tasvir shaklida bo‘ladi, shuning uchun har bir piksel qayta
ishlanishi mumkin [6].
Muxtasar qilib aytganda, konvolyutsion qatlam CNN ga kiritilgan
tasvirlardan ushbu xususiyatlarning namoyishini o‘rganuvchi xususiyat ekstraktori sifatida
ishlatiladi. Shu bilan birga, birlashtiruvchi qatlam xususiyat xaritalarining fazoviy
o‘lchamlarini kamaytirish uchun javobgardir. Umuman olganda, to‘liq bog‘langan
qatlamdan oldin mavhumroq xususiyat tasvirini olish uchun ishlaydigan bir nechta
konvolyutsion va birlashtiruvchi qatlamlar to‘plami mavjud. Keyinchalik, to‘liq bog‘langan
qatlam ushbu xususiyatlarni sharhlaydi va yuqori darajadagi
fikrlashni talab qiladigan
funksiyalarni bajaradi. CNN oxirida tasniflash softmax funksiyasidan foydalanadi [5].
Shuning uchun, ushbu maqolada, nisbatan samaraliroq va ma’lumotlarning o‘sishiga
to‘g‘ridan-to‘g‘ri proporsional bo‘lgan masshtablilikning ortishiga ega bo‘lgan tasvirni
firibgarligini aniqlash usuli arxitekturasi sifatida quyidagi 1-rasmdagi sxema taklif etiladi.
1-rasm. CNN arxitekturasi kontur sxemasi.
Umuman olganda, arxitektura dizayni ikkita katta qismga bo‘linadi, ya’ni ma’lumotlarni
tayyorlash va model yaratish. Dastlabki bosqichda “.jpg” formatidagi tasvirlardan tashkil
topgan, quyidagi tafsilotlarga ega bo‘lgan kirish ma’lumotlari: ma’lumotlarni tayyorlash
bosqichiga o‘zgartirilgan yorliqli 1771 ta rasm va haqiqiy yorliqli 2940 ta rasm kiritiladi
[3]. Ma’lumotlarni tayyorlash bosqichi - bu kirish ma’lumotlari bo‘lgan
har bir rasm
240
birinchi navbatda Xato darajasini tahlil qilish natijasida olingan tasvirga aylantiriladigan
bosqich. Keyin ELA tasvirining o‘lchami 128 x 128 o‘lchamdagi rasmga o‘zgartiriladi.
Xulosa qilib aytish mumkinki Ushbu tadqiqotda ELA va CNN yordamida mashinani
o‘rganish natijalaridan bir nechta xulosalar chiqarish mumkin.
1. CNN ikkita konvolyutsion qatlamdan foydalanadi, bitta MaxPooling qatlami, bitta
to‘liq bog‘langan qatlam va softmax bilan bitta chiqish qatlami 91,83% aniqlikka erishishi
mumkin.
2. ELA dan foydalanish samaradorlikni oshirishi va o‘quv
jarayonining hisoblash
xarajatlarini kamaytirishi mumkin. Buni avvalgi usuldan qatlamlar sonining kamayishi va
talab qilinadigan davrlar sonidan ko‘rish mumkin. Taklif etilayotgan modelda
konvergensiyaga erishish uchun zarur bo‘lgan davrlar soni atigi 9 tani tashkil qiladi. Taklif
etilgan usullar uchun ilg‘or tasvirni qayta ishlash algoritmlari mavjudligi sababli bunday
tizimlarni amalga oshirish yanada kerakli bo‘lib bormoqda.
