IPCL: التعلم التبايني الافتراضي التكراري لتحسين تمثيل الميزات ذاتية التدريب

لقد أصبح التعلم ذاتي القيادة باستخدام نهج التباين بالدفعة أداة قوية لتعلم التمثيل في مجال الرؤية الحاسوبية. ويعتبر أداء المهام اللاحقة متناسبًا مع جودة السمات البصرية المُكتسبة أثناء التدريب المسبق ذاتي القيادة. تعتمد الطرق الحالية القائمة على التباين بالدفعة بشكل كبير على تكبير البيانات لاستخلاص المعلومات الكامنة من مجموعات البيانات غير المُعلَّمة. ونُقدِّم رأينا بأن إدخال التباين الداخلي للبيانات داخل الفئة في نهج التباين بالدفعة يُحسّن جودة التمثيل البصري بشكل أكبر. في هذا البحث، نُقدِّم طريقة جديدة للتعلم ذاتي القيادة تُسمى التعلم التبايني التلقائي التكراري بالتصنيف الافتراضي (IPCL)، التي تستخدم مزيجًا متوازنًا بين تكبير الصور ومعلومات التصنيف الافتراضي لتحسين التمثيل البصري بشكل تدريجي. تُظهر النتائج التجريبية أن الطريقة المقترحة تتفوّق على الطريقة الأساسية للتعلم ذاتي القيادة باستخدام نهج التباين بالدفعة. كما تُحسّن جودة التمثيل البصري على عدة مجموعات بيانات، مما يؤدي إلى أداء أفضل في مهام التصنيف الصوتي غير المُعلَّم.