15367

بررسي روش‌هاي داده افزايي براي تشخيص اشياء با استفاده از شبكه‌هاي مولد در شرايط داده‌هاي محدود

1403

آرش عبدي

محمدرضا محمدي

تشخيص شيء يكي از مسائل بنيادي در بينايي ماشين است كه كارايي آن به شدت به در دسترس بودن مجموعه‌داده‌هاي بزرگ، متنوع و داراي حاشيه‌نويسي دقيق وابسته است. در حوزه‌هاي تخصصي مانند كشاورزي دقيق و تصاوير مادون قرمز، كمبود داده‌هاي برچسب‌خورده موجب بروز مشكلاتي نظير بيش‌برازش و كاهش تعميم‌پذيري مدل‌هاي يادگيري عميق مي‌شود. براي رفع اين چالش، پژوهش حاضر به بررسي روش‌هاي داده‌افزايي مبتني بر شبكه‌هاي مولد پيشرفته مانند شبكه‌هاي مولد رقابتي و مدل‌هاي انتشار، مي‌پردازد كه با بهره‌گيري از سازوكارهاي كنترل مكاني و معنايي قادر به توليد جفت‌هاي تصوير و برچسب با كيفيت بالا هستند. در اين بررسي، روش‌هايي مانند D4 براي انطباق دامنه و ODGEN براي توليد داده در صحنه‌هاي چندكلاسه و پرتراكم تحليل شدند. اين روش‌ها با استفاده از مدل‌هاي انتشار هدايت‌شده با متن و مكانيسم‌هايي نظير تنظيم دقيق دومرحله‌اي و كنترل شيء‌محور توانستند وفاداري بصري و سازگاري معنايي داده‌هاي توليدي را حفظ كنند. همچنين، استفاده از فيلترينگ هوشمند داده‌ها بر اساس معيارهاي ادراكي و معنايي در بهبود كيفيت و حذف نمونه‌هاي نويزي مؤثر بوده است. نتايج نشان مي‌دهد كه خطوط لوله داده‌افزايي مولد، با توليد داده‌هاي مصنوعي با برچسب‌گذاري دقيق، موجب افزايش معنادار دقت و تعميم‌پذيري مدل‌هاي تشخيص شيء در شرايط داده‌هاي محدود شده‌اند.

11/5/2025 12:00:00 AM

88407

1404/08/24

Review of Data Augmentation Methods for Object Detection Using Generative Networks in Few-Shot

داده‌افزايي مولد , تشخيص شيء , داده محدود , مدل‌ انتشار , شبكه مولد رقابتي

Generative Data Augmentation , Object Detection , Few-Shot Learning , Diffusion Models , Generative Adversarial Networks