التصنيف الدقيق للمركبات باستخدام تعلّم التوافر المشترك للأجزاء غير المُراقبة
{Hong Zhang Nilanjan Ray Sara Elkerdawy}
الملخص
تصنيف المركبات التفصيلي يُعد مشكلة بحثية صعبة وحصل على اهتمام محدود في هذا المجال. في هذه الورقة، نقترح بنية شبكة عميقة لتصنيف المركبات التفصيلي دون الحاجة إلى تسمية أجزاء المركبة أو صندوق حدود ثلاثي الأبعاد. تم استغلال طبقة التوافر (COOC) لاستكشاف الأجزاء تلقائيًا دون تسمية. بالإضافة إلى ذلك، تم استخدام إجراء مزدوج يتضمن التعلم المنقول والضبط الدقيق. وهذا يمكّننا من تحسين نموذجنا بشكل أفضل باستخدام أوزان مُدرّبة مسبقًا على ImageNet في بعض الطبقات، بينما تبقى بعض الطبقات مُدرّبة بشكل عشوائي. حقق نموذجنا دقة تبلغ 86.5٪، متفوقًا على أحدث الطرق في مجموعة بيانات BoxCars116K بنسبة 4٪. وبالإضافة إلى ذلك، تحقق دقة بلغت 95.5٪ و93.19٪ على مجموعة بيانات CompCars في كلا التقسيمين التدريبيين والاختباريين (70-30 و50-50)، متفوّقًا على الطرق الأخرى بنسبة 4.5٪ و8٪ على التوالي.
المعايير القياسية
| معيار قياسي | المنهجية | المقاييس |
|---|---|---|
| fine-grained-image-classification-on-2 | ResNet152 + COOC | Accuracy: 86.57% |
| fine-grained-image-classification-on-compcars | Resnet50 + COOC | Accuracy: 95.6% |
بناء الذكاء الاصطناعي بالذكاء الاصطناعي
من الفكرة إلى الإطلاق — عجّل تطوير الذكاء الاصطناعي الخاص بك من خلال البرمجة المشتركة المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.