15372

بررسي روش هاي تقطير دانش براي بهبود سرعت مدل هاي تشخيص اشياء

1403

دكتر محمدرضا محمدي

تشخيص شيء يكي از مسائل پركاربرد در حوزه بينايي كامپيوتر است كه طي سال‌هاي اخير پيشرفت‌هاي چشمگيري داشته است. با اين حال، شبكه‌هاي عصبي عميق مورد استفاده در اين زمينه معمولاً داراي پيچيدگي بالا، سربار محاسباتي زياد و سرعت استنتاج پايين هستند. اين ويژگي‌ها، استقرار آن‌ها را در دستگاه‌هاي لبه يا كاربردهاي بلادرنگ با محدوديت‌هاي قابل توجهي روبه‌رو مي‌سازد. به منظور غلبه بر اين چالش‌ها، تقطير دانش به عنوان روشي مؤثر براي فشرده‌سازي مدل و انتقال دانش از شبكه‌هاي پيچيده به مدل‌هاي سبك‌وزن مطرح شده است، كه هدف اصلي آن فشرده‌سازي شبكه‌هاي عصبي از طريق انتقال دانش ضمني شبكه‌هاي بزرگ‌تر و پيچيده‌تر (معلم) به شبكه‌هاي كوچك‌تر و سبك‌وزن‌تر (دانش‌آموز) است تا اين مدل‌ها بتوانند با حفظ دقت بالا، از كارايي محاسباتي بيشتري براي استقرار در محيط‌هاي واقعي برخوردار باشند. در اين پژوهش، به بررسي و تحليل روش‌هاي مختلف تقطير دانش در تشخيص شيء پرداخته شد و تمركز ويژه‌اي بر بهبود مكان‌يابي و انتقال مؤثر ويژگي‌ها قرار گرفت. نتايج حاصل از اين بررسي نشان داد كه رويكردهاي نوين (مانند انتقال دانش مبتني بر ويژگي‌هاي مياني و روابط بين نمونه‌ها) در مقايسه با روش‌هاي سنتي (كه صرفاً بر خروجي نهايي متمركز بودند)، توانايي بسيار بيشتري در بهبود دقت مدل‌هاي سبك‌وزن (دانش‌آموز)، به‌ويژه در مكان‌يابي صحيح اشياء، داشته‌اند. اين پژوهش، علاوه بر تحليل روندهاي نوين، راهكارهاي كليدي براي دستيابي به مدل‌هايي با تعادل بهينه ميان دقت و كارايي محاسباتي (جهت استقرار واقعي) را برجسته نمود.

11/5/2025 12:00:00 AM

88428

1404/08/23

Review of knowledge distillation methods to improve the speed of object detection models