Hierarchical Vector-Pointer Stable Sampling: رویکردی پایدار برای استخراج همزمان ویژگی های محلی و جهانی در بینایی ماشین

چکیده: هوش مصنوعی مجموعه ای از مدل های ریاضیاتی است که ماشین ها را قادر به انجام وظایفی مانند یادگیری از داده ها، شناسایی الگوها و تصمیم گیری هوشمند می سازد. یادگیری ژرف با استفاده از شبکه های عصبی چندلایه روابط غیرخطی پیچیده را مدل سازی کرده و ویژگی های سطح بالا را به طور خودکار استخراج می نماید. بینایی ماشین، به عنوان شاخه ای کلیدی از هوش مصنوعی بر فهم و تفسیر محتوای بصری تمرکز دارد و شامل وظایفی همچون طبقه بندی تصاویر و تشخیص اشیاء است. با این حال چالش های موجود مانند محدودیت شبکه های پیچشی در مدل سازی روابط فضایی بلندمدت و جهت محور، پیچیدگی محاسباتی بالا در معماری ها، جایگزین، حساسیت به نویز و بیش برازش نیاز به رویکردهایی دارد که استخراج همزمان ویژگی های محلی و جهانی را با پایداری و کارایی بهبود بخشد. در این مقاله یک معماری سلسله مراتبی نوین به نام Hierarchical Vector-Pointer Stable Sampling Stable معرفی می شود که با محوریت اشاره گرهای جهت دار و نمونه برداری آموختنی شرطی، پویا ویژگی های محلی و جهانی را به طور همزمان استخراج می کند. ایده محوری این روش ایجاد ساختار درخت مانند از والدها و فرزندان اشاره گر است که زاویه ها، مقیاس های برداری نامتقارن، مراکز نمونه برداری و وزن دهی فرزندان را به صورت پویا یاد می گیرد؛ این ساختار با شرطی سازی مبتنی بر نمای والد در فضای logit برای پایداری، ترکیب سطوح سلسله مراتبی و مدل سازی روابط بلندمدت توسط انکودر ترنسفورمر ویژگی های چند مقیاسی تولید می کند، همچنین منظم سازی هایی مانند پنالتی تنوع زاویه ها و تنکی دروازه ها بیش برازش را کاهش می دهد. آزمایش های مقایسه ای بر روی مجموعه داده های استاندارد با مدل های کانولوشنی و کپسولی نشان می دهد که HVStable دقت را بهبود بخشیده، شکاف بیش برازش را کاهش داده و با کارایی محاسباتی بالاتر تعمیم پذیری را ارتقا می بخشد. نتایج بیانگر پتانسیل بالای HVStable در کاربردهای عملی است.

کلیدواژه ها:

هوش مصنوعی ، یادگیری ژرف ، بینایی ، ماشین ، استخراج ، ویژگی ، نمونه برداری شرطی ، پویه ، شبکه ، اشاره گرهای درختی