استرجاع صور الملابس باستخدام شبكات الكبسولة الثلاثية
| العنوان | استرجاع صور الملابس باستخدام شبكات الكبسولة الثلاثية |
|---|---|
| المؤلف | كينلي، عثمان فرقان |
| تاريخ النشر: | 2019-08-19 |
| الموضوع | الذكاء الاصطناعي، الشبكات العصبية الاصطناعية، معالجة الصور الرقمية، استرجاع الصور، شبكات الكبسولة، استرجاع صور الملابس |
| النوع | وثيقة |
| اللغة | الإنجليزية |
| رقمي | نعم |
| مخطوط | لا |
| المكتبة: | جامعة اوزيجين |
| رقم السجل | a35f2694-a267-440b-a551-c2ff5d72b8d0 |
| موقع المكتبة | قسم علوم الحاسوب |
| التاريخ | 2019-08-19 |
| نص عينة | أصبح استرجاع صور الملابس أكثر أهمية بعد بعض التطورات الكبرى في علوم الكمبيوتر وظهور التجارة الإلكترونية. تهاجم الدراسات الحديثة عمومًا هذه المشكلة باستخدام الشبكات العصبية التلافيفية (CNNs). على الرغم من شعبيتها، فإن شبكات CNN، بطبيعتها، لديها بعض القيود الجوهرية مثل فقدان العلاقة المكانية الهرمية بين أجزاء الصورة، وعدم كونها قوية في مواجهة التحولات الجديدة. تتمتع بنية الشبكة المقترحة مؤخرًا، وهي Capsule Networks، بالقدرة على التغلب على هذه القيود من خلال الحفاظ على العلاقة الجزئية الكاملة وطرح المعلومات في الصور. في هذه الأطروحة، نقوم بدراسة أداء استرجاع الملابس داخل المتجر لشبكات الكبسولة ذات الاتصال الكثيف مع التوجيه الديناميكي. ولتحقيق ذلك، نقترح تصميمات ثلاثية لبنية شبكة الكبسولة مع طريقتين مختلفتين لاستخراج الميزات: شبكات الكبسولة التلافيفية المكدسة (SCCapsNet) والشبكات المتصلة المتبقية (RCCapsNet). تظهر النتائج التجريبية لتصميماتنا المقترحة بشأن استرجاع الملابس داخل المتجر أن SCCapsNet حققت 32.1% من أفضل 1، و81.8% من أفضل 20، و90.0% من أفضل 50 درجة في استدعاء الملابس؛ في حين تتمتع RCCapsNet بأداء أفضل بنسبة 33.9% من أفضل 1، و84.6% من أفضل 20، و92.6% من أفضل 50 درجة في الاستدعاء. توضح هذه الأرقام أن كلا تصميمينا يتفوقان على الدراسة الأساسية والأساليب السابقة بفارق كبير دون استخدام أي معلومات داعمة إضافية إلى جانب الصور. علاوة على ذلك، عند مقارنتها ببنيات SOTA الخاصة باسترجاع الملابس، تحقق شبكات Triplet Capsule Networks المقترحة معدلات استدعاء قابلة للمقارنة مع نصف المعلمات المستخدمة فقط في بنيات SOTA. في المستقبل، قد ترث تصميماتنا تعزيزًا إضافيًا للأداء بسبب التقدم في أبحاث Capsule Network الجديدة نسبيًا. Yakın dönemdeki çalışmalarda bu issuesin çözümü için Genel olarak Evrişimli Sinir Ağları (ESA) kullanılmıştır. شعبية الخرق، ESA'lar، doğaları gereği، parçalar arası hiyerarşik konumsal bilgi kaybı ve afin dönüşümlerine dayanıklı olmama gibi bazı yerleşik sınırlamalara sahiptir. Yeni önerilen Kapsül Ağları mimarisi, resimlerdeki parça-butün ilişkisini ve poz bilgisini koruyarak bu sınırlamaları ortadan kaldırabilme ozelliğine sahiptir. ومع ذلك، يتم تحسين أداء الخوارزمية الديناميكية، مما يؤدي إلى تحسين الأداء. تم إنشاء هذه الميزة من خلال طريقة استخدام ميزة Triplet-Baslı Triplet-Basül Ağ mimarileri önerdik: ístifli-evrişimsel (SCCapsNet) وArtık-Bağlı (RCCapsNet) Kapsül Ağları. تم تصميم Vitrin Kıyafet Resmi erişimine önerilen mimari tasarımlarımızın deneysel sonuçları، SCCapsNet'in %32.1 في 1-يوكسك-1، %81.8 في-يوكسك-20 و%90.0 في-50 استدعاء في-K skorlarına ulaştığını gösterirken; RCCapsNet هو %33.9 على مستوى 1، و%84.6 على مستوى 20، و%92.6 على مستوى 50، على مستوى العالم من الأداء المتميز. تشير هذه الإحالة إلى تحسين الأداء وزيادة أداء الأداء، مما يعني أنك ستستمتع بإنجاز مهامك على أكمل وجه. önde bir Performances sergilemiştir. Ayrıca, önerdiğimiz Triplet Kapsül Ağları, Modern mimarilerde kullanılan parametre sayısının Sadece yarısı kadar parametre kullanarak, Modern mimariler ile kıyaslanabilir sonuçlar elde etmiştir. Élerleyen dönemde, tasarımlarımız, nispeten yeni Kapsül Ağları araştırmalarındaki gelişmelerden yola çıkarak ekstra Performances artışı abilir. |
