مرور و کاربرد روش یادگیری عمیق در طبقه بندی داده ها

در طول دهه گذشته ،بسیاری از زمینه های مرتبط با هوش مصنوعی از پیشرفت های قابل توجهی در یادگیری عمیق بهره مند شده اند. یکی از زمینه های مهم در این میان، یادگیری عمیق [۱] است که شامل وظایفی مانند طبقه بندی اشیا، تشخیص اشیا، قطعه بندی، تشخیص نقاط کلیدی و تخمین عمق است چرا که یکی از سخت ترین مشکلات در یادگیری عمیق ، قطعه بندی تصویر بوده است. از جمله کاربردی ترین وظایف می توان به قطعه بندی معنایی و قطعه بندی داده اشاره کرد که به ترتیب برای شناسایی کلاس شی هر پیکسل در یک تصویر و شناسایی نمونه شی هر پیکسل در یک تصویر به کار می رود. قطعه بندی تصویر با طبقه بندی داده متفاوت است. طبقه بندی داده فقط اشیایی را طبقه بندی می کند که برچسب های خاصی برای آنها دارد. وظیفه قطعه بندی داده را می توان به عنوان یک تغییر دقیق تر از قطعه بندی معنایی، به دلیل چالش اضافه شده جداسازی نمونه داده های منفرد در هر کلاس شی، و داده مشاهده کرد. قطعه بندی معنایی وظیفه تشخیص اشیا در یک تصویر در سطح پیکسل را بر عهده دارد. به عبارت دیگر، وظیفه اختصاص دادن یک برچسب به هر پیکسل در یک تصویر که کلاس شی آن پیکسل را نشان می دهد، بر عهده دارد. به این ترتیب، کار بر روی کاهش هزینه های محاسباتی شبکه های تقسیم بندی معنایی در ابداع روش های کارآمدتر برای مثال تقسیم بندی بسیار سودمند خواهد بود. قطعه بندی نمونه، وظیفه ای است که به شدت با قطعه بندی معنایی مرتبط است. هدف نه تنها تشخیص کلاس یک شی بلکه تمایز نمونه ها در کلاس مذکور است. به عبارت دیگر، وظیفه این است که هر شی را در یک تصویر در سطح پیکسل برچسب گذاری کرد .

کلیدواژه ها:

قطعه بندی معنایی ، یادگیری عمیق ، طبقه بندی داده