افزايش كارايي طبقه‌بندي براساس فراويژگي پيشنهادي در پايگاه داده تصويري

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

دكتري

با توجه به اصل ناهار رايگان و تنوع ساختاري پايگاه‌داده‌هاي تصويري، هيچ طبقه‌بندي به‌طور يكنواخت بهترين عملكرد را بر روي همه‌ي مسائل ارائه نمي‌دهد؛ ازاين‌رو، انتخاب مدل مناسب نيازمند بهره‌گيري از رويكردهاي فرايادگيري است تا بتوان بر اساس شناخت ويژگي‌هاي داده، رفتار طبقه‌بندها را پيش‌بيني و مدل مطلوب را توصيه كرد. تاكنون روش‌هاي فرايادگيري مختلفي براي پايگاه‌داده‌هاي جدولي ارائه شده است. اما براي پايگاه‌داده‌هاي تصويري و داده‌هاي سري زماني به دليل مشكلات و تفاوت‌هاي موجود در پايگاه‌داده‌ها كارهاي كمتري انجام شده است. در پايگاه‌داده‌هاي تصويري به دليل بُعد بالا از شبكه‌هاي عصبي عميق براي كاهش بُِعد استفاده ميشود. اين حالت تفسيرپذيري را كم ميكند. بر اين اساس در اين پژوهش، يك روش فرايادگيري مبتني بر فراويژگي‌ها براي پايگاه‌داده‌هاي تصويري ارائه شده است كه در آن ابتدا مجموعه‌اي از ويژگي‌ها به‌منظور توصيف جنبه‌هاي مختلف پايگاه‌داده گردآوري شده و اين ويژگي‌ها با رويكرد عملكردمحور دسته‌بندي شده‌اند تا امكان انتخاب هدفمند و كارآمد ويژگي‌ها بر اساس نوع مسئله و روش استخراج فراهم گردد. در بخش پاياني پژوهش، از اين ويژگي‌ها براي توصيف پايگاه‌داده‌‌هاي تصويري استفاده شده است. نتايج حاصل از تحليل مجموعه‌اي از پايگاه‌داده‌هاي تصويري و انتخاب طبقه‌بند مناسب براي هر يك ارائه شده است. اين بررسي‌ها نشان داد كه با شناخت دقيق ويژگي‌هاي داده مي‌توان اجزاي كليدي مسئله را بهتر شناسايي كرده و مسير حل مناسب را ترسيم نمود. با استفاده از ويژگي‌هاي انتخاب‌شده در اين پژوهش و 56 پايگاه‌داده‌ي تصويري، نتايج به‌دست‌آمده مورد ارزيابي قرار گرفت و دقت انتخاب طبقه‌بند براي پايگاه‌داده‌هاي تست %15/86 بوده است. همچنين تأثير ويژگي‌ها به‌طور جداگانه مورد بررسي قرار گرفت و نتايج اين تحليل نشان داد كه برخي ويژگي‌ها، به‌ويژه آن‌هايي كه به توزيع و پراكندگي داده‌ها از نظر تعداد نمونه‌ها اشاره دارند، تأثير بيشتري بر دقت طبقه‌بندي نسبت به ساير ويژگي‌هايي كه بر معيارهايي مانند فاصله متكي هستند، دارند. بر همين اساس، ماتريس توصيف‌گر فضاي توزيع براي هر پايگاه‌داده در نظر گرفته شد و ويژگي‌هايي با اين رويكرد از آن استخراج گرديد. نتايج آزمايش‌ها نشان داد كه سه ويژگي از ويژگي‌هاي استخراج‌شده، همبستگي بالاي 7/0 با دقت طبقه‌بندها دارند. از اين ويژگي‌ها براي انتخاب طبقه‌بند نيز استفاده شد و با استفاده از 5 ويژگي، دقت %56/86 به دست آمده است كه در مقايسه با 5 ويژگي برتر انتخاب‌شده توسط روش انتخاب همبستگي، %1 افزايش دقت داشته است. علاوه بر اين، نتايج بررسي‌ها نشان داد كه استفاده از يادگيري انتقالي براي استخراج ويژگي از تصاوير، نسبت به استفاده از مدل‌هاي از پيش آموزش‌ديده، عملكرد بهتري دارد و براي كاهش ابعاد نيز ضروري است كه انتخاب ابعاد بر اساس نوع داده‌ها انجام شود و نه اين‌كه يك انتخاب ثابت براي تمامي داده‌ها اعمال گردد. افزون بر اين، استفاده از ويژگي‌هاي بررسي‌شده در اين پژوهش نسبت به ويژگي‌هاي ارائه‌شده براي داده‌هاي برداري، موجب افزايش دقت كار به ميزان %2 گرديده است. در مجموع، اين روش فرايادگيري‌محور نشان مي‌دهد كه با توصيف دقيق پايگاه‌داده در فضاي فراويژگي‌ها مي‌توان رفتار مدل‌ها را در سطح فراداده آموخت و فرآيند انتخاب طبقه‌بند را به يك مسئله‌ي فرايادگيري تبديل كرد كه دقت، تفسيرپذيري و كارايي تصميم‌گيري را در مسائل تصويري به‌طور قابل توجهي افزايش مي‌دهد. با توجه به نقش كليدي استخراج و انتخاب ويژگي در مسئله فرايادگيري، اين مراحل با هدف طبقه‌بندي و انتخاب تنظيمات مناسب بر روي سه پايگاه داده مورد بررسي قرار گرفتند. نتايج اين آزمايش‌ها اهميت اين مراحل و همچنين لزوم انتخاب روش‌ها و تنظيمات متناسب با هر پايگاه داده را به‌خوبي نشان داد.

236537

هوش مصنوعي و رباتيكز

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان