دانلود ترجمه مقاله طبقه بندی تصویر با یادگیری انتقال با استفاده از مجموعه داده سفارشی (ساینس دایرکت – الزویر ۲۰۲۳)

طبقه بندی تصویر با یادگیری انتقال با استفاده از مجموعه داده سفارشی: مطالعه مقایسه ای

Image Classification with Transfer Learning Using a Custom Dataset: Comparative Study

چکیده
۱ مقدمه
۲ مدل‌های پیش‌آموزش دیده شده
۳ مجموعه داده (Dataset)
۴ پیش‌پردازش و معیارهای ارزیابی
۵ بحث و نتایج
۶ نتیجه گیری
منابع و ماخذ

چکیده
آموزش شبکه های عصبی عمیق کار بسیار پرهزینه ای می باشد، که نه تنها فرایندی بسیار زمان بر خواهد بود، بلکه نیازمند توان محاسباتی بالایی نیز می باشد که عموماً هم به مجموعه داده های زیادی برای آموزش نیاز دارد و ازین حیث ممکن است همیشه در دسترس نباشد. با این وجود می توان از راه حل های جایگزین دیگری همچون مدل های پیش آموزش دیده شده که در مجموعه داده‌های استاندارد تصویربرداری کامپیوتری توسعه یافته‌اند کمک گرفت تا به رفع این چالش ها بیانجامد. در روش یادگیری انتقالی، ما اساساً سعی می‌کنیم از آنچه در یک وظیفه (Task) یاد گرفته شده است، برای بهبود تعمیم در وظیفه دیگر استفاده نماییم. در واقع ارزش گذاری داده هایی که یک شبکه در ‘وظیفه الف’ با مقدار زیادی از آن آموزش برچسب گذاری شده است را به یک ‘وظیفه ب’ جدید که داده های زیادی ندارد، منتقل می نماییم. به بیان دیگر، دانشِ یک مدل از قبل آموزش دیده شده به یک مسئله متفاوت، اما با ارتباط نزدیک از طریق یادگیری انتقالی منتقل خواهد شد. به عنوان نمونه، اگر ما یک طبقه بندی ساده برای پیش بینی اینکه آیا تصویری حاوی غذا است آموزش دهیم، می توانیم از دانش آموخته های مدل، برای شناسایی اشیای دیگری همچون نوشیدنی ها استفاده کنیم. این دانش می تواند به صورت های مختلفی به وجود آید که وابسته به مسئله و داده ها خواهد بود. در اینجا مدل‌های برتر می‌توانند به‌طور مستقیم دانلود و استفاده شوند، یا حتی در یک مدل جدید که وظیفه تشخیص مشکلات مربوط به شناسایی اشیا در کامپیوترها را بر عهده دارند ادغام گردند. بنابراین، ما با سرعت بخشیدن به مرحله آموزش و عملکرد مدل یادگیری عمیق، حتی کار با مجموعه داده کوچک را نیز بهبود می‌بخشیم. در این کار، ما پیشنهاد می‌کنیم تا وظیفه طبقه‌بندی را با استفاده از سه مدل از پیش آموزش دیده که عبارتند از: MobileNet V2 ، Resnet50  و VGG19  انجام دهیم و نتایج را با استفاده از چهار معیار ارزیابی کلیدی مورد بحث قرار بدهیم. مجموعه داده ها، متشکل از یک شی خاص است تا بتواند عملکرد مدل‌ها را مقایسه کند.

۲- مدل‌های پیش‌آموزش دیده شده
۲-۱ موبایل نت V1
مدل MobileNet V1 از دسته مدل های CNN (شبکه عصبی کانولوشنال) است که برای استفاده در کاربردهای پردازش تصویر در تلفن همراه و سامانه های سیار طراحی شده است. ایده اصلی پشت MobileNet V1 این است که لایه های کانولوشنال، که برای وظایف بینایی رایانه ای ضروری هستند اما محاسبه آنها بسیار گران است، می توانند توسط کانولوشن‌های جداپذیر عمقی جایگزین شوند که در مقایسه با شبکه با کانولوشن‌های عادی با همان عمق در شبکه تعداد پارامترها را به طور قابل توجهی کاهش می‌دهد.

یک کانولوشن جداپذیر عمقی متشکل از دو کارکرد مختلف می باشد: کانولوشن عمقی و کانولوشن نقطه‌ای. کانولوشن عمقی ورودی را فیلتر می‌کند، در حالی که کانولوشن نقطه‌ای این مقادیر فیلتر شده را ترکیب نموده تا ویژگی‌های جدید ایجاد شود (کانولوشن نقطه‌ای لایه‌ای ۱×۱ است). ساختار بدنه MobileNet V1 در تصویر شماره ۱ نشان داده شده است.

۲-۲ موبایل نت V2
MobileNet V2 نسخه بهبود یافته MobileNet V1 است که از بلوک‌های باقیمانده معکوس با امکان نیاز به فضای کمتر استفاده می‌کند. تعداد پارامترهای آن به طور قابل توجهی کمتر از MobileNet اصلی می باشد. MobileNet V2 بسیار سریعتر از MobileNet V1 بوده که به طور تقریبی دارای دو برابر دقت بیشتر و نیاز به پردازش کمتری نسبت به MobileNet V1 دارد.

به جای استفاده از کانولوشن از نوع جداپذیر عمقی به عنوان بلوک های ساختاری کارآمد، MobileNet V2 دو ویژگی جدید را به ساختار معماری اضافه می کند: گره های خطی بین لایه ها و اتصالات میان گره های خطی. ساختار بدنه MobileNet V2 در شکل ۲ نشان داده شده است.