التعلم غير المشرف المشترك للتمثيلات العميقة وعناقيد الصور

في هذا البحث، نقترح إطارًا متكررًا لتعلم التمثيلات العميقة وتصنيف الصور بطريقة غير موجهة مشتركة (JULE). في إطارنا، يتم تعبير العمليات المتتالية في خوارزمية التصنيف كخطوات في عملية متكررة، مكدسة فوق التمثيلات التي ينتجها الشبكة العصبية التلافيفية (CNN). أثناء التدريب، يتم تحديث تصنيفات الصور والتمثيلات بشكل مشترك: يتم إجراء تصنيف الصور في مرحلة الأمام، بينما يتم تعلم التمثيلات في مرحلة الخلف. الفكرة الأساسية وراء هذا الإطار هي أن التمثيلات الجيدة تكون مفيدة لتصنيف الصور وأن نتائج التصنيف توفر إشارات إشراف لتعلم التمثيلات. من خلال دمج العمليتين في نموذج واحد مع خسارة ثلاثية موزونة موحدة وتحسينه من البداية إلى النهاية، يمكننا الحصول ليس فقط على تمثيلات أكثر قوة ولكن أيضًا على تصنيفات صور أكثر دقة. تظهر التجارب الواسعة أن طريقتنا تتفوق على أفضل الأساليب الحالية في تصنيف الصور عبر مجموعة متنوعة من قواعد بيانات الصور. بالإضافة إلى ذلك، فإن التمثيلات المُتعلمة تعمم بشكل جيد عند نقلها إلى مهمات أخرى.