تعلم التمثيل غير المشرف باستخدام شبكات التوليد المعاكسة العميقة ذات الطبقات المتعددة

في السنوات الأخيرة، شهد التعلم الإشرافي باستخدام الشبكات الإدراكية (CNNs) تبنيًا واسعًا في تطبيقات رؤية الحاسوب. بالمقارنة مع ذلك، حظي التعلم غير الإشرافي باستخدام الشبكات الإدراكية باهتمام أقل. في هذا العمل، نأمل أن نسهم في تقليص الفجوة بين نجاح الشبكات الإدراكية العميقة في التعلم الإشرافي والتعلم غير الإشرافي. نقدم فئة من الشبكات الإدراكية تُعرف باسم الشبكات المولدة المضادة الإدراكية العميقة (DCGANs)، والتي تخضع لقيود هندسية معينة، ونثبت أنها مرشحة قوية للتعلم غير الإشرافي. من خلال التدريب على مجموعات بيانات صورية مختلفة، نقدم أدلة مقنعة على أن زوج شبكتنا المولدة المضادة العميقة يتعلم هرم تمثيلات من أجزاء الأشياء إلى المشاهد في كل من الجenerator والمriminator. بالإضافة إلى ذلك، نستخدم الخصائص المُتعلمة لأداء مهام جديدة - مما يظهر قابلية هذه الخصائص كتمثيلات صورية عامة.注释：- "Convolutional networks" 翻译为 "الشبكات الإدراكية" (CNNs).- "Deep convolutional generative adversarial networks" 翻译为 "الشبكات المولدة المضادة الإدراكية العميقة" (DCGANs).- "Generator" 和 "Discriminator" 分别翻译为 "الجenerator" 和 "المriminator" 以保持专业术语的一致性。在正式的科技文献中，这些术语通常会保留英文形式，但在某些情况下也可以使用阿拉伯语翻译，例如 "المولد" 和 "المميز". 根据具体上下文和读者群体，可以选择最合适的表达方式。这里为了保持一致性，选择了直接使用英文形式。