تعميم الشبكات العصبية العميقة على التحولات من خلال أبنية جديدة وهجينة
| العنوان | تعميم الشبكات العصبية العميقة على التحولات من خلال أبنية جديدة وهجينة |
|---|---|
| المؤلف | أوزجان، باريش |
| تاريخ النشر: | 2024-08-30T15:28:26Z |
| الموضوع | الشبكات العصبية (علوم الحاسوب)، البرمجيات، تصور المعلومات، هندسة الحاسوب |
| النوع | وثيقة |
| اللغة | الإنجليزية |
| رقمي | نعم |
| مخطوط | لا |
| المكتبة: | جامعة اوزيجين |
| رقم السجل | 6d495955-a86a-4c7f-8aa6-4de7c2cdadaa |
| موقع المكتبة | قسم علوم الحاسوب |
| التاريخ | 2024-08-30T15:28:26Z |
| نص عينة | يعد التعرف على الكائنات ركيزة أساسية للعديد من مهام رؤية الكمبيوتر مثل البحث أو التتبع أو التنقل أو فهم المشهد أو استرجاع المعلومات التي تتطلب نوعًا من المعرفة بالفئة على مستويات مختلفة. حتى مع التقدم الكبير في هذه المهام باستخدام أساليب التعلم العميق المبنية على البيانات مثل الشبكات العصبية التلافيفية (CNNs)، لا يزال يتعين تحقيق تعميم الاختلافات الهندسية وتضمين العلاقات الجزئية والكلية عند مقارنتها بالتعرف على المستوى البشري. تفشل شبكات CNN بشكل خاص في التعميم على وجهات النظر غير المرئية للكائن المتعلم حتى مع العينات الكبيرة ويتم الخلط بينها بسهولة حيث تفقد عمليات التجميع العلاقة بين الكيانات الموجودة في المدخلات. تتفوق شبكات الكبسولة التي ظهرت مؤخرًا على شبكات CNN في مهام تعميم وجهة النظر الجديدة حتى مع وجود معلمات أقل بكثير. تقوم شبكات الكبسولة بتجميع عمليات تنشيط الخلايا العصبية لتمثيل سمات المستوى الأعلى وتفاعلاتها لتحقيق التكافؤ في التحولات البصرية. تم تصميم الكبسولات لتمثيل وضع كيان مرئي موجود والتحويلات المستفادة هي في الأساس تحويلات تشكل مصفوفات. ومع ذلك، فإن شبكات الكبسولة لها تكلفة حسابية عالية لتعلم تفاعلات الكبسولات في طبقات متتالية عبر ما يسمى بخوارزمية التوجيه بالإضافة إلى مشاكل استقرار التدريب. في هذه الأطروحة، نقترح تمثيل معلومات الوضعية والتحولات باستخدام الكواترنيونات في شبكات كبسولات الكواترنيون (QCNs). الرباعيات محصنة ضد قفل الانحراف، ولها تنظيم مباشر لتمثيل الدوران للكبسولات، وتتطلب عددًا أقل من المعلمات من المصفوفات. ترث شبكات QCN مباشرة توجيه EM الحالي لإجراء مقارنة عادلة لفوائد استخدام الكواترنيونات بدلاً من المصفوفات. تظهر النتائج التجريبية أن شبكات QCN تعمم بشكل أفضل على وجهات النظر الجديدة ذات المعلمات الأقل، وتحقق أداءً على قدم المساواة أو أفضل مع بنيات الكبسولة الحديثة على مجموعات البيانات المعيارية المعروفة. بناءً على هذا الاقتراح، كنا نهدف إلى تقليل العبء الحسابي وتضمين ناقلات الميزات في الكبسولات بالإضافة إلى المعلومات الموضعية. في هذا السياق، نقترح اتفاقية كبسولة الانتباه المخففة (ALPACA) المصممة خصيصًا للكبسولات التي تحتوي على معلومات احتمالية الوضع والميزات والوجود معًا لتعزيز تعميم وجهة نظر جديدة للكبسولات على صور ثنائية الأبعاد. لهذا الغرض، قمنا بإنشاء مجموعة بيانات Novel ViewPoint (NVPD) وهي مجموعة بيانات خالية من الملمس يتم التحكم فيها من خلال وجهة نظر وتحتوي على 8 إعدادات مختلفة حيث يتم تشكيل عينات التدريب والاختبار من خلال وجهات نظر مختلفة. بالإضافة إلى NVPD، أجرينا تجارب على مجموعة بيانات iLab2M حيث تم تقسيم مجموعة البيانات من حيث مثيلات الكائن. تظهر النتائج التجريبية أن ALPACA تتفوق في الأداء على نظيراتها من شبكات الكبسولة وأحدث شبكات CNN في مجموعات بيانات iLab2M وNVPD. علاوة على ذلك، فإن ALPACA أسرع بعشر مرات مقارنة بشبكات الكبسولة القائمة على التوجيه. كما أنه يتفوق في الأداء على خوارزميات التوجيه القائمة على الاهتمام للمجال مع الحفاظ على مقارنة الاستدلال وأوقات التدريب. كل يوم. إن الدمج المتكامل (CNN'ler) يمكّننا من التعمق في فهم المزيد من التفاصيل المتعلقة بالهندسة المعمارية المتنوعة وأجزاء من الأزرار المتجانسة, إنسان seviyesinde tanımayla karşılaştırıldığında geri kalmaktadır. تتميز قناة CNN بفرصة التواصل مع شبكة الإنترنت بشكل أفضل وتتيح لك الاستمتاع بالمزيد من المتعة والإثارة. yönlendirilebilmektedir. Yakın zamanda ortaya çıkan kapsül ağları، çok daha az parametreyle bile yeni görüş açısına genelleme konusunda CNN'lerden daha iyi الأداء göstermektedir. Kapsul ağları, daha yüksek seviyeli öznitelikleri temsil etmek için noron activasyonlarını and görsel dönüşümlere şdeğişkenlik sağlamak için etkileşimlerini gruplandırır. Kapsüller mevcut bir görsel varlığın pozunu temsil etmek üzere tasarlanmıştır öğrenilen dönüşümler esasen matrisler olan coordinat sistemi dönüşümleridir. Bununla birlikte, kapsul ağları, eğitim kararlılığı sorunlarına ek olarak, yönlendirme algoritması olarak adlandırılan aracılığıyla ardışık katmanlardaki kapsüllerin etkileşimlerini öğrenmek için yüksek bir hesaplama maliyetine sahiptir. ومع ذلك، فإن Kuaterniyon Kapsül Ağlarında (QCN) poz bilgisini ve dönüşümleri kuaterniyonlarla temsil etmeyi öneriyoruz. Kuaterniyonlar gimbal kilidine maruz kalmamaktadır، kapsüller için rotasyon temsilinin basit bi sekilde düzenlenmesi vardır and matrislerden daha azıda parametre gerektirir. QCN'ler, matrisler yerine kuaterniyon kullanmanın faydalarınınınınınınının bir sekilde karşılaştırılması için mevcut EM-Routing'i doğrudan devralarak test edilmiştir. Deneysel sonuçlar, QCN'lerin daha az parametre ile yen bakılarına daha iyi günelleme yaptığını and ayrıca iyi bilinen kıyaslama veri kümelerinde and son kapsül mimarileriyle eşit veya daha iyi أداء أي شيء آخر göstermektedir. Bu öneriyi temel alarak, hesaplama yükünü azaltmayı ve poz bilgisine ek olarak kapsüllere ozellik vektörleri yerleştirmeyi amaçladık. ومع ذلك، فإن كبسولات 2B تساعد في تحسين أداء هذه الكبسولات بشكل أفضل، كما أنها تساعد في تحسين وضعية تخفيف التوتر. اتفاقية كبسولة الانتباه (ALPACA) متاحة. من خلال ما سبق، تم إنشاء مجموعة أدوات جديدة واختبارها من خلال 8 طرق بسيطة للتحكم في البيانات من خلال مجموعة Novel ViewPoint Dataset (NVPD). NVPD'ye ek olarak، فيري كومسينين هذه هي أدوات الدمج الأساسية لـ iLab2M التي تستخدمها شركة Deneyler gerçekleştirdik. لقد قام Deneysel Sonuçlar وALPACA'n iLab2M وNVPD بدمج كبسولات وتقنيات CNN التي تعلمها من خلال تقديم أداء رائع. Dahası، ALPACA yönlendirme tabanlı kapsül ağlarına kıyasla 10 kat daha hızlıdır. Ayrıca, çıkarım and eğitim sürelerini karşılaştırılabilir tutarken, alanın dikkat tabanlı yönlendirme malarından daha iyi Performance gösterir. |
