7852

بررسي روش‌هاي يادگيري ويژگي بصري به صورت خود‌نظارتي به كمك شبكه‌هاي عصبي عميق

1399-1400

دكتر محمدرضا محمدي

كارايي شبكه عصبي عميق مرتبط به حجم داده‌ي برچسب‌داري است كه در فرآيند آموزش آن شبكه استفاده مي‌شود. در بسياري از كارهاي بينايي كامپيوتر برچسب زدن داده‌ها هزينه‌ي بالايي دارد و داده‌ي برچسب دار زيادي وجود ندارد. در مقابل به اندازه خيلي زيادي تصوير بدون برچسب وجود دارد. رويكرد يادگيري خودنظارتي براي استفاده از داده‌ي بدون برچسب در آموزش شبكه معرفي شد. در اين رويكرد از داده‌هاي بدون برچسب كه حجم زيادي دارند، نوعي دانش استخراج مي‌شد. سپس شبكه بر روي داده‌هاي برچسب دار كه حجم كمي داشتند براي كار اصلي آموزش مي‌يابد. هرچه از داده آموزشي زيادي در آموزش شبكه عصبي استفاده شود، كارايي شبكه بهتر مي‌شود. در رويكرد يادگيري خودنظارتي مي‌توانيم از داده‌هاي بدون برچسب در آموزش شبكه استفاده كنيم. با توجه به اين موارد به نظر مي‌آيد كه روش‌هاي يادگيري خودنظارتي جاي پيشرفت خوبي براي اين كه با صرف هزينه كم براي جمع آوري داده برچسب دار به دقت خوبي برسيم، دارد. استفاده همزمان از چند روش يادگيري خودنظارتي و استفاده از تصاوير مصنوعي در فرآيند آموزش شبكه به نحوي كه بتوان از شبكه بر روي تصاوير واقعي هم استفاده كرد، جزء مسائل باز و چالش‌هاي فعلي اين حوزه است. در اين گزارش به معرفي و بررسي روشهاي مختلف يادگيري خودنظارتي در حوزه بينايي كامپيوتر پرداخته شده است و سعي شده بررسي خوبي بر روي روشهاي مختلف و روش‌هاي ارزيابي مختلف اين روش‌ها و مقايسه اين روش‌ها صورت بگيرد.

12/23/2020 12:00:00 AM

69579

1399/10/04

A survey on self-supervised visual feature learning with deep neural networks

يادگيري خودنظارتي , بينايي كامپيوتر , شبكه عصبي عميق

Self-supervised Learning , Computer Vision , Deep Neural Network