PCANet: شبكة تعلم عميقة بسيطة لتصنيف الصور؟

في هذا العمل، نقترح شبكة تعلم عميقة بسيطة للغاية لتصنيف الصور تتكون فقط من مكونات معالجة البيانات الأساسية: التحليل المكون الرئيسي المتسلسل (PCA)، الترميز الثنائي، والتوزيعات التاريخية حسب الكتل. في الهيكل المقترح، يتم استخدام PCA لتعلم مجموعات مرشحات متعددة المراحل. يلي ذلك الترميز الثنائي البسيط وتوزيعات الكتل للتضمين والجمع. لذلك تم تسمية هذه الهندسة باسم شبكة PCA (PCANet) ويمكن تصميمها وتعلمها بسهولة وكفاءة عالية. للمقارنة وفهم أفضل، نقدم أيضًا وندرس نوعين بسيطين من تغييرات PCANet، وهما RandNet وLDANet. يشتركان في نفس هندسة PCANet ولكن مرشحاتهم المتسلسلة إما يتم اختيارها بشكل عشوائي أو تعلمها من خلال LDA. لقد قمنا باختبار هذه الشبكات الأساسية بشكل مكثف على العديد من مجموعات البيانات المرجعية البصرية لمهام مختلفة، مثل LFW للتحقق من الوجه، MultiPIE، Extended Yale B، AR، FERET لمعرفة الوجه، وكذلك MNIST لتمييز الأرقام المكتوبة باليد. بشكل مفاجئ، بالنسبة لجميع المهام، يبدو أن نموذج PCANet البسيط هذا يتنافس مع أفضل الخصائص الحالية، سواء كانت محددة مسبقًا أو محبوكة بدقة عالية أو تم تعلمها بعناية (من خلال DNNs). وبشكل أكثر إدهاشًا، فإنه يحدد سجلات جديدة لكثير من مهمات التصنيف في مجموعات البيانات Extended Yale B وAR وFERET ومتنوعات MNIST. التجارب الإضافية على مجموعات بيانات عامة أخرى تظهر أيضًا إمكانية استخدام PCANet كأساس بسيط ولكنه شديد التنافسية لتصنيف النسيج والتعرف على الأشياء.