شناسايي بصري بدون نمود نمونه‌اي با استفاده از انتخاب ويژگي مقاوم

كارشناسي ارشد

شناسايي بصري بدون نمود نمونه‌اي، به‌نوعي از مدل‌هاي شناسايي بصري گفته مي‌شود كه مي‌تواند تنها با داشتن يك توصيف متني از دسته‌هايي كه نمونه‌ بصري‌اي از آن‌ها در زمان آموزش نديده‌اند، آن‌ها را در زمان آزمون دسته‌بندي كنند. در حالت تعميم‌يافته يادگيري بصري بدون نمود نمونه‌اي، دسته‌بندي هم بر روي دسته‌هاي ديده شده و هم ديده نشده انجام مي‌گيرد. مدل خود رمزنگار معنايي، اقدام به نگاشت ويژگي‌هاي بصري به فضاي معنايي خصيصه‌‌ها (برچسب‌هاي معنايي دسته‌ها) - رمزنگار - و سپس بازسازي ويژگي بصري ابتدايي از خصيصه‌ معنايي ساخته شده - رمزگشا - مي‌كند. يكي از چالش‌هاي مهم در موضوع شناسايي بصري بدون نمود نمونه‌اي، باياس مدل نسبت به دسته‌هاي ديده شده است. در اين پژوهش به بررسي اثر حذف ويژگي در زمان آموزش مدل خود رمزنگار معنايي، به منظور كاهش باياس مدل نسبت به دسته‌هاي ديده شده، پرداخته خواهد شد. حذف به چهار شيوه حذف تصادفي، حذف بر اساس امتياز اهميت ويژگي، حذف بر اساس انتخاب ويژگي ناهمبسته و حذف بر اساس نظريه بازي بر روي الگوريتم خود رمزنگار معنايي اعمال گرديده و آزمايشاتي براي ارزيابي مدل ارائه شده بر روي چهار مجموعه‌داده معروف شناسايي بصري بدون نمود نمونه‌اي AWA2، CUB، aPY و SUN انجام گرديده است. همين‌طور اثر حذف بر اساس انتخاب ويژگي ناهمبسته بر روي الگوريتم شيوه بيش از اندازه ساده يادگيري بدون نمود نمونه‌اي (ESZSL) نيز بررسي گرديده است. به‌منظور مقايسه كلي صحت يادگيري بصري بدون نمود نمونه‌اي، بررسي‌ها بر روي پنج شبكه مختلف استخراج ويژگي بصري ResNet101، MobileNet، MobileNetV2، Xception و EfficientNetB7 انجام‌گرفته و نتايج آن‌ها بر روي چهار مجموعه‌داده گزارش شده است. نتايج نشان مي‌دهد كه حذف ويژگي مي‌تواند تأثير مثبتي در بهبود صحت يادگيري بصري بدون نمود نمونه‌اي (و حالت تعميم‌يافته آن) بر روي دو الگوريتم خود رمزنگار معنايي و شيوه بيش از اندازه ساده يادگيري بدون نمود نمونه‌اي (ESZSL) داشته باشد

227636

دانشگاه اصفهان

مهندسي كامپيوتر - هوش مصنوعي و رباتيكز

پيمان اديبي