9045

استفاده از يادگيري عميق براي دسته بندي تصاوير با مجموعه داده محدود

كارشناسي

مهندسي كامپيوتر

1402

دكتر محمدرضا محمدي

نداشتم

1403/02/12

مهندسي كامپيوتر

Few-shot Image Classification Using Deep learning

طبقه‌بندي تصاوير يكي از مسائل مهم و كليدي در زمينه هوش مصنوعي مي‌باشد. در سال هاي اخير بيشتر روش‌هاي اين حوزه از مدل‌هاي يادگيري عميق براي حل مسئله طبقه‌بندي استفاده كرده‌اند. رسيدن به نتايج خوب در زمينه طبقه‌بندي با كمك يادگيري عميق، رابطه مستقيمي با تعداد تصاوير آموزشي دارد. ولي دست‌يابي به يك مجموعه آموزشي بزرگ، در بسياري از حوزه ها امكان‌پذير نيست. هم چنين جمع‌آوري يك مجموعه داده مناسب، بسته به نوع مسئله مي‌تواند هزينه و زمان زيادي صرف نمايد. در اين پايان‌نامه ما مدلي براي طبقه بندي تصاوير با مجموعه داده محدود ارائه داده‌ايم كه پايه آن از مدل Prototypical است و تلاش كرديم آن را بهبود بدهيم. كارهايي كه براي بالا بردن دقت مدل انجام داده‌ايم شامل تغيير backbone، استفاده از فضاي تعبيه متعدد، دادن پارامتر وزن به هر يك بردارهاي خروجي و استفاده از مكانيزم توجه به خود است. در‌نهايت، با مقايسه دقت در هر مرحله بهبود را نسبت به مرحله قبل نشان داده‌ايم و دقت مدل بر روي داده آموزشي MiniImagenet با ساير مدل‌هاي موجود در مقالات در دو تسك 5 كلاسه 5 شات و 5 كلاسه تك شات مقايسه كرده‌ايم. در تسك 5 كلاسه 5 شات به دقت 84.42 درصد و در تسك 5 كلاسه تك شات به دقت 64.46 درصد رسيده ايم. هم چنين براي اينكه نشان دهيم مدل تعميم‌پذيري خوبي دارد مدل آموزش‌ديده با داده آمورشي MiniImagenet را بر روي داده آموزشي ديگري بدون آموزش بر روي آن تست كرديم و به دقت خوبي رسيديم.

يادگيري عميق , طبقه بندي تصاوير , يادگيري با مجموعه داده محدود , توجه به خود , فضاي تعبيه متعدد