<?xml version="1.0" encoding="utf-8"?>
<ArticleSet>
    <Article>
        <Journal>
            <PublisherName>سردبیر نشریه توسعه پایدار و ساختمان هوشمند</PublisherName>
            <JournalTitle>توسعه پایدار و ساختمان هوشمند</JournalTitle>
            <Issn>3092-7706</Issn>
            <Volume>1</Volume>
            <Issue>4</Issue>
            <PubDate PubStatus="epublish">
                <Year>2026</Year>
                <Month>02</Month>
                <Day>25</Day>
            </PubDate>
        </Journal>
        <ArticleTitle>
            بررسی انواع لایه­ های ادغام برای طبقه­ بندی تصاویر مبتنی بر یادگیری عمیق
        </ArticleTitle>
        <VernacularTitle>
            بررسی انواع لایه­ های ادغام برای طبقه­ بندی تصاویر مبتنی بر یادگیری عمیق
        </VernacularTitle>
        <FirstPage>5</FirstPage>
        <LastPage>17</LastPage>
        <ELocationID EIdType="pii">44</ELocationID>

        <ELocationID EIdType="doi">10.22034/SDSB.1.4.44</ELocationID>

        <Language>FA</Language>
        <AuthorList>
                        <Author>
                <FirstName>اعظم</FirstName>
                <LastName>نوروزی</LastName>
                <Affiliation>گروه عمران و معماری دانشگاه تربت حیدریه</Affiliation>
            </Author>
                    </AuthorList>
        <PublicationType>Journal Article</PublicationType>
                <History>
            <PubDate PubStatus="received">
                <Year>2026</Year>
                <Month>01</Month>
                <Day>11</Day>
            </PubDate>
        </History>
                <Abstract>
            &lt;p&gt;لایه ادغام به طور گسترده­ای برای طبقه­بندی تصاویر با بیش از یک دهه یادگیری عمیق استفاده شده است. بسیاری از مدل­ها با استفاده از لایه ادغام، سعی کردند بر معایب الگوریتم سنتی غلبه کنند که این امر به ویژگی­های طراحی دستی بستگی دارد. به طور کلّی، مدل‌های یادگیری عمیق، اغلب حاوی پارامترهای قابل آموزش هستند و برای دست­یابی به عملکرد بهینه به نمونه‌های برچسب‌گذاری‌شده زیادی نیاز دارند. این مقاله بر روی پارامترهای بهینه و کارهای قبلی مربوطه تمرکز کرده است. بررسی پیشرفت تحقیقات مدل‌های مرتبط با لایه‌های ادغام در شبکه‌های عصبی کانولوشن ضروری است. رویکردهای پیشرفته مختلف از طریق چندین آزمایش مورد بررسی قرار گرفته‌اند و نتایج برای آشکار کردن جهت‌های پژوهشی بالقوه خلاصه شده‌اند. نتایج نشان داد که سریع‌ترین و بهترین روش، ساده‌ترین روش از نظر محاسباتی می­باشد که روش ادغام ماکسیمم است.&lt;/p&gt;
        </Abstract>
        <OtherAbstract Language="EN"></OtherAbstract>
        <ObjectList>
                        <Object Type="keyword">
                <Param Name="value">یادگیری عمیق</Param>
            </Object>
                        <Object Type="keyword">
                <Param Name="value">لایه ادغام، </Param>
            </Object>
                        <Object Type="keyword">
                <Param Name="value">طبقه بندی تصویر،شبکه عصبی کانولوشن</Param>
            </Object>
                        <Object Type="keyword">
                <Param Name="value">یادگیری ماشین. </Param>
            </Object>
                    </ObjectList>
        <ArchiveCopySource DocType="pdf">https://journal.buqaen.ac.ir/sdsb/article/download/44/20/325</ArchiveCopySource>
    </Article>
</ArticleSet>
