بهبود قطعه بندی معنایی با رویکرد آموزش انتقال نیمه نظارتی در شبکه های عصبی کانولوشنی

قطعه بندی معنایی تصاویر یکی از چالشهای کلیدی در بینایی ماشین است که هدف آن تقسیم تصویر به نواحی معنادار و تخصیص برچسبهای مناسب به هر پیکسل میباشد. این مقاله روشی نوین برای بهبود دقت قطعه بندی معنایی با استفاده از شبکهای عصبی عمیق تماما کانولوشنی و رویکرد آموزش انتقال نیمه نظارتی ارائه میدهد. روش پژوهش در اینجا از مدل VGG۱۶ پیش آموزش دیده بر روی ImageNet به عنوان استخراج کننده ویژگی استفاده شده است. سپس با ترکیب تکنیکهای یادگیری انتقالی و تکنیک شبهه برچسب گذاری، از دادههای بدون برچسب برای بهبود عملکرد مدل بهرهبرداری میشود. معماری پیشنهادی شامل لایه های کانولوشنی اضافی و لایه های ترانسپوز کانولوشنی است که قابلیت استخراج ویژگیهای سطح بالا را افزایش میدهند. برای بهبود فرآیند آموزش، از استراتژی یادگیری تدریجی استفاده شده است. نتایج تجربی بر روی مجموعه داده PASCAL VOC ۲۰۱۲ نشان میدهند که مدل پیشنهادی به دقت ۹۵,۹۹ درصد دست یافته است، که بهبود قابل توجهی نسبت به روشهای پیشین است. این پژوهش نشان میدهد که ترکیب شبکه های عمیق تماما کانولوشنی با تکنیکهای یادگیری انتقالی و نیمه نظارتی میتواند به طور موثری دقت قطعه بندی معنایی را افزایش داده و وابستگی به دادههای برچسبدار را کاهش دهد.

کلیدواژه ها:

قطعه بندی معنایی تصاویر ، شبکه های عصبی تماما کانولوشنی ، یادگیری انتقالی ، یادگیری نیمه نظارتی