بازگشت به جستجو

تعمیم به تصاویر دید نادیده از اشیاء از طریق توافق کپسول توجه با حالت کاهش یافته

عنوان	تعمیم به تصاویر دید نادیده از اشیاء از طریق توافق کپسول توجه با حالت کاهش یافته
نویسنده	اوزجان، باریش، کینلی، عثمان فورکان، کیراچ، مصطفی فورکان
تاریخ انتشار:	2023-02
محل انتشار	- اسپرینگر
موضوع	شبکه های کپسولی، شبکه های عصبی، تعمیم دیدگاه جدید، شبکه های عصبی کواترنیون
نوع	دوره ای
زبان	انگلیسی
دیجیتال	بله
نسخه خطی	خیر
کتابخانه:	دانشگاه اوزیغین
شناسه دارایی کتابخانه	0941-0643
شماره ثبت	48c369a5-2c01-40ee-bc52-da9e5073184f
محل کتابخانه	علوم کامپیوتر
تاریخ	2023-02
متن نمونه	شبکه‌های عصبی کانولوشنال (CNN) علی‌رغم دستاوردهای خود در تشخیص اشیا، به‌ویژه قادر به تعمیم دیدگاه‌های نادیده از یک شیء آموخته شده حتی با نمونه‌های قابل توجه نیستند. از طرف دیگر، شبکه‌های کپسولی اخیراً در کارهای تعمیم دیدگاه جدید حتی با پارامترهای بسیار کمتر، از CNN بهتر عمل می‌کنند. شبکه‌های کپسولی، فعال‌سازی‌های نورون‌ها را برای نمایش ویژگی‌های سطح بالاتر و برهم‌کنش‌های آن‌ها برای دستیابی به هم‌واریانس با تبدیل‌های بصری گروه‌بندی می‌کنند. با این حال، شبکه‌های کپسولی هزینه محاسباتی بالایی برای یادگیری تعاملات کپسول‌ها در لایه‌های متوالی از طریق به اصطلاح الگوریتم مسیریابی دارند. برای پرداختن به این مسائل، ما یک الگوریتم مسیریابی جدید به نام توافقنامه کپسول توجه به حالت کاهش یافته (ALPACA) را پیشنهاد می‌کنیم که برای کپسول‌هایی طراحی شده است که حاوی اطلاعات موقعیت، ویژگی و احتمال وجود با هم هستند تا تعمیم دیدگاه جدید کپسول‌ها را در تصاویر دوبعدی بهبود بخشد. برای این منظور، یک مجموعه داده نوین ViewPoint (NVPD) یک مجموعه داده بدون بافت کنترل شده با دیدگاه ایجاد کرده‌ایم که دارای 8 تنظیمات مختلف است که در آن نمونه‌های آموزشی و آزمایشی توسط دیدگاه‌های مختلف تشکیل می‌شوند. علاوه بر NVPD، آزمایش‌هایی را روی مجموعه داده iLab2M انجام داده‌ایم که در آن مجموعه داده‌ها بر حسب نمونه‌های شی تقسیم می‌شوند. نتایج تجربی نشان می دهد که ALPACA از همتایان شبکه کپسولی خود و CNN های پیشرفته در مجموعه داده های iLab2M و NVPD بهتر عمل می کند. علاوه بر این، ALPACA در مقایسه با شبکه‌های کپسولی مبتنی بر مسیریابی 10 برابر سریع‌تر است. همچنین از الگوریتم های مسیریابی مبتنی بر توجه دامنه بهتر عمل می کند در حالی که زمان استنباط و آموزش را قابل مقایسه نگه می دارد. در نهایت، کد ما، مجموعه داده NVPD، تنظیمات تست، و مدل‌های پیاده‌سازی شده به‌طور رایگان در https://github.com/Boazrciasn/ALPACA در دسترس هستند.
DOI	10.1007/s00521-022-07900-3
Cilt	35

مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات

دانشگاه اوزیغین

تعمیم به تصاویر دید نادیده از اشیاء از طریق توافق کپسول توجه با حالت کاهش یافته

نویسنده اوزجان، باریش، کینلی، عثمان فورکان، کیراچ، مصطفی فورکان

تاریخ انتشار 2023-02

محل انتشار - اسپرینگر

موضوع شبکه های کپسولی، شبکه های عصبی، تعمیم دیدگاه جدید، شبکه های عصبی کواترنیون

نوع دوره ای

زبان انگلیسی

دیجیتال بله

نسخه خطی خیر

کتابخانه دانشگاه اوزیغین

شناسه دارایی کتابخانه 0941-0643

شماره ثبت 48c369a5-2c01-40ee-bc52-da9e5073184f

محل کتابخانه علوم کامپیوتر

تاریخ 2023-02

متن نمونه شبکه‌های عصبی کانولوشنال (CNN) علی‌رغم دستاوردهای خود در تشخیص اشیا، به‌ویژه قادر به تعمیم دیدگاه‌های نادیده از یک شیء آموخته شده حتی با نمونه‌های قابل توجه نیستند. از طرف دیگر، شبکه‌های کپسولی اخیراً در کارهای تعمیم دیدگاه جدید حتی با پارامترهای بسیار کمتر، از CNN بهتر عمل می‌کنند. شبکه‌های کپسولی، فعال‌سازی‌های نورون‌ها را برای نمایش ویژگی‌های سطح بالاتر و برهم‌کنش‌های آن‌ها برای دستیابی به هم‌واریانس با تبدیل‌های بصری گروه‌بندی می‌کنند. با این حال، شبکه‌های کپسولی هزینه محاسباتی بالایی برای یادگیری تعاملات کپسول‌ها در لایه‌های متوالی از طریق به اصطلاح الگوریتم مسیریابی دارند. برای پرداختن به این مسائل، ما یک الگوریتم مسیریابی جدید به نام توافقنامه کپسول توجه به حالت کاهش یافته (ALPACA) را پیشنهاد می‌کنیم که برای کپسول‌هایی طراحی شده است که حاوی اطلاعات موقعیت، ویژگی و احتمال وجود با هم هستند تا تعمیم دیدگاه جدید کپسول‌ها را در تصاویر دوبعدی بهبود بخشد. برای این منظور، یک مجموعه داده نوین ViewPoint (NVPD) یک مجموعه داده بدون بافت کنترل شده با دیدگاه ایجاد کرده‌ایم که دارای 8 تنظیمات مختلف است که در آن نمونه‌های آموزشی و آزمایشی توسط دیدگاه‌های مختلف تشکیل می‌شوند. علاوه بر NVPD، آزمایش‌هایی را روی مجموعه داده iLab2M انجام داده‌ایم که در آن مجموعه داده‌ها بر حسب نمونه‌های شی تقسیم می‌شوند. نتایج تجربی نشان می دهد که ALPACA از همتایان شبکه کپسولی خود و CNN های پیشرفته در مجموعه داده های iLab2M و NVPD بهتر عمل می کند. علاوه بر این، ALPACA در مقایسه با شبکه‌های کپسولی مبتنی بر مسیریابی 10 برابر سریع‌تر است. همچنین از الگوریتم های مسیریابی مبتنی بر توجه دامنه بهتر عمل می کند در حالی که زمان استنباط و آموزش را قابل مقایسه نگه می دارد. در نهایت، کد ما، مجموعه داده NVPD، تنظیمات تست، و مدل‌های پیاده‌سازی شده به‌طور رایگان در https://github.com/Boazrciasn/ALPACA در دسترس هستند.

DOI 10.1007/s00521-022-07900-3

Cilt 35