لخّصلي

التجميع باستخدام الشبكات العصبية أحدث استخدام نماذج التعلم العميق ( الشبكات العصبية العميقة ذات الطبقات المتعددة) ثورة في مجال تجميع الصور من خلال توفير خوارزميات قوية وعالية الدقة، ويمكنها تجميع الصور المتشابهة معا تلقائيا دون الحاجة إلى هندسة الخصائص تعتمد العديد من الطرائق التقليدية لتجميع الصور على خاصية المستخرجات (Extractors) لاستخراج معلومات ذات مغزى من صورة ما. واستخدام هذه المعلومات لتجميع الصور المتشابهة معا، ويمكن أن تستغرق هذه العملية وقتا طويلا وتتطلب خبرة في المجال لتصميم خاصية المستخرجات بخصائص فعالة بالإضافة إلى ذلك وكما تم التوضيح في الدرس السابق على الرغم من أن خاصية الواصفات ( Descriptors) مثل : تحويل المخطط التكراري للتدرجات الموجهة يمكنها بالفعل تحسين النتائج إلا أنها بعيدة كل البعد عن الكمال، وبالتأكيد يوجد مجال للتحسين من ناحية أخرى يتمتع التعليم العميق بالقدرة على تعلم تمثيلات الخصائص من البيانات الخام تلقائيا، ويتيح ذلك الطرائق التعلم العميق معرفة الخصائص شديدة التمايز التي تلتقط الأنماط الهامة وراء البيانات. مما يؤدي إلى تجميع أكثر دقة وقوة، ولتحقيق ذلك تستخدم عدة طبقات مختلفة في الشبكة العصبية بما فيها. )Dense Layers ( الطبقات الكثيفة )Pooling Layers( طبقات التجميع )Dropout Layers ( عليقات الاقصاء )Dense Layer( الطبقة الكثيفة في الشبكة العصبية في الدرس الأول من الوحدة الثالثة، تم استخدام طبقة مخفية مكونة من ثلاث مئة خلية عصبية من نموذج الكلمة إلى المتجه ( Word2Vec) التمثيل كل كلمة، وفي تلك الحالة درب نموذج الكلمة إلى المتجه مسبقا على مجموعة بيانات كبيرة جدا تحتوي على ملايين الأخبار من أخبار قوقل ( Google News). تعد نماذج الشبكات العصبية المدربة مسبقا شائعة أيضًا في مجال رؤية الحاسب ومن الأمثلة المعهودة على ذلك نموذج VGG16 الذي يشيع استخدامه في مهام التعرف على الصور، ويتبع نموذج VGG16 معمارية عميقة قائمة على الشبكات العصبية الترشيحية يوجد بها ست عشرة طبقة ويُعد نموذجا موجها درب على مجموعة بيانات كبيرة من الصور المعنونة تسمى شبكة الصور (ImageNet ) . ومع ذلك، تتكون مجموعة بيانات التدريب الخاصة بنموذج VGG16 من ملايين الصور ومئات العناوين المختلفة، مما يحسن بشكل كبير من قدرة النموذج على فهم الأجزاء المختلفة من الصورة، وعلى غرار الشبكة العصبية الترشيحية البسيطة الموضحة في الشكل 4.22، ويستخدم نموذج VGG16 أيضًا طبقة كثيفة نهائية تحتوي على أربعة آلاف وسنة وتسعين خلية عصبية لتمثيل كل صورة قبل إدخالها في طبقة المخرج هي طبقة في الشبكات العصبية ترتبط فيها كل العقد التي في الطبقة السابقة بكل العقد التي في الطبقة الحالية، حيث يتم تمرير الإشارات من العقد في الطبقة السابقة في الشبكة إلى العقدية الطبقة الحالية بواسطة وزنية محددة وتطبق )Activation Function( دالة التنشيط على الإشارات المرسلة إلى الطبقة الكثيفة التوليد نتائج الإخراج النهائية. لتجميع VGG16 ويوضح هذا القسم كيف يمكن تكييف نموذج ، )Output Layer( الصور، على الرغم من أنه صمم في الأصل التصنيف الصور حمل النموذج VGG16 الذي درب مسبقا. احذف طبقة المخرج من النموذج، فذلك يجعل الطبقة الأخيرة الكثيفة هي طبقة المخرج الجديدة استخدم النموذج المقتطع (Truncated Model) - النموذج السابق الذي اقتطعت الطبقة الأخيرة منه التحويل كل صورة في مجموعة بيانات )Pooling Layer( طبقة التجميع هي طبقة في الشبكات العصبية تستخدم لتقليل الأبعاد الفراغية لبيانات المدخلات )Dropout Layer( طبقة الإقصاء هي طريقة تنظيم تستخدم لمنع فرط التخصيص في نموذج المجموعة بيانات في الشبكات العصبية من العرين اتجاه الية موجودة في الطبقة خلال كل دورة تدريب Animal Faces ( وجوه الحيوانات ) إلى متجه عددي له أربع آلاف وست وتسعون قديمة. استخدم التجميع التكتلي التجميع المتجهات الناتجة عن ذلك. وزارة التعليم Ministinjor Citicon 2023-1445 و المدخل شكل 4.22 معمارية نموذج 10016 230