12686

بررسي وفق‌دهنده‌ها در بينايي كامپيوتر

1401

دكتر محمدرضا محمدي

پيشرفت‌هاي اخير در حوزه يادگيري عميق نشان مي‌دهند كه مدل‌هاي پيش آموخته بزرگ با داده‌هاي غني توانايي بالايي براي استفاده در وظايف جديد دارند. علاوه بر اين، تحقيقات اخير نشان مي‌دهد كه درك ويژگي مدل‌هاي پيش آموخته ممكن است زماني كه در شرايط منابع محدود تنظيم دقيق مي‌شوند كاهش يابد. براي مقابله با اين مسائل، پژوهشگران الگوي آموزش جديد بر اساس مدل‌هاي پيش آموخته پيشنهاد مي‌كنند. اين الگو با نام وفق‌دهنده شناخته ‌مي‌شود. وفق‌دهنده‌ها ماژول‌هايي هستند كه به ما اين امكان را مي‌دهند كه با قراردادن آن‌ها در قسمت‌هاي مختلف شبكه عميق و نگه‌داشتن قسمت‌هاي ديگر شبكه در حالت منجمد با تنظيم كمترين تعداد پارامتر، به دقت مناسب براي وظايف پيشرو برسيم. استفاده از وفق‌دهنده‌ها اولين‌بار در حوزه تصوير ديده شد ولي با معرفي ماژول وفق‌دهنده جديد در حوزه پردازش متن، مشهور شد. پس از آن وفق‌دهنده‌ها براي اهداف مختلفي مانند يادگيري در دامنه جديد، يادگيري چندوظيفه‌اي، يادگيري چندوجهي (مدل‌هاي تصويري زباني)، يادگيري با مجموعه‌دادگان محدود و همچنين براي ارتقا يادگيري، در حوزه‌هاي پردازش زبان و تصوير بكار گرفته شدند و توانايي خود را در اين كاربردها نشان دادند. علاوه بر اينكه وفق‌دهنده توانايي يادگيري براي اهداف مختلف را دارند، در بسياري از پژوهش‌ها براي كم‌كردن تعداد پارامتر‌هاي به‌روزشونده نيز از وفق‌دهنده‌ها استفاده مي‌شود. كم شدن تعداد پارامتر‌هاي يادگيرنده در شبكه به منزله كم‌شدن نياز به منابع پردازشي براي تنظيم دقيق مدل و همچنين كم‌شدن زمان موردنياز براي تنظيم دقيق مدل است. با بررسي كارهاي صورت‌گرفته و رشد فزاينده آن‌ها در سال‌هاي اخير، اين نويد به گوش مي‌رسد كه وفق‌دهنده‌ها قابليت و توانايي بالايي براي توسعه و بهبود دارند، بنابراين كار بر روي اين ماژول‌ها، ارزشمند و داراي آتيه روشني است.

11/15/2023 12:00:00 AM

80928

1402/08/28

Investigation of Adapters in computer vision

وفق‌دهنده , انتقال دانش , شبكه عميق پيش‌ آموخته , بينايي ماشين

Adapter , Transfer Learning , Pre-trained Network , Computer Vision