Skip to content
بازگشت به نتایج جست‌وجو

طبقه‌بندی تصویر با شبکه‌های عصبی کانولوشنی (CNN)

معرفی‌شده توسط
He, K. et al. (ResNet); Tan, M. & Le, Q.V. (EfficientNet)
سال
2016
نوع
Deep convolutional neural network (supervised)

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

طبقه‌بندی تصویر با شبکه‌های عصبی کانولوشنی (CNN) از معماری‌های کانولوشنی عمیق مانند ResNet (He et al., 2016)، VGG و EfficientNet (Tan & Le, 2019) برای دسته‌بندی تصاویر استفاده می‌کند. لایه‌های کانولوشنی انباشته شده، سلسله مراتبی از ویژگی‌های بصری را مستقیماً از پیکسل‌ها یاد می‌گیرند و اتصالات پرشی (باقیمانده) از مشکل محوشدگی گرادیان در شبکه‌های بسیار عمیق جلوگیری می‌کنند.

شهود پشت روش

به جای مهندسی دستی ویژگی‌ها، یک شبکه کانولوشنی فیلترهای کوچک قابل یادگیری را روی تصویر می‌لغزاند و لبه‌ها و بافت‌ها را در لایه‌های اولیه تشخیص داده و آن‌ها را در لایه‌های عمیق‌تر به اشکال و اشیاء ترکیب می‌کند. با عمیق‌تر شدن شبکه‌ها، سیگنال آموزش ممکن است محو شود؛ اتصالات باقیمانده یک میان‌بر اضافه می‌کنند که به هر بلوک اجازه می‌دهد فقط تغییر نسبت به ورودی خود را یاد بگیرد، بنابراین گرادیان‌ها به طور تمیز جریان می‌یابند و عمق به جای آسیب رساندن، همچنان کمک می‌کند.

تاریخ

شبکه‌های کانولوشنی عمیق در دهه ۲۰۱۰ بینایی کامپیوتری را متحول کردند. He et al. (2016) ResNet را با اتصالات باقیمانده در CVPR معرفی کردند و آموزش شبکه‌های صدها لایه عمق را عملی ساختند و افت عملکرد مشاهده شده در پشته‌های ساده بسیار عمیق را برطرف کردند. VGG پشته‌های یکنواخت کانولوشن‌های کوچک را رایج کرد و Tan & Le (2019) EfficientNet را پیشنهاد دادند که عمق، عرض و وضوح ورودی را به طور مشترک مقیاس‌بندی می‌کند تا به دقت بالا با پارامترهای بسیار کمتر دست یابد. این پایه‌ها، که اغلب از پیش آموزش‌دیده استفاده می‌شوند، همچنان مراجع استاندارد برای طبقه‌بندی تصویر هستند.

چه زمانی استفاده شود

از آن برای طبقه‌بندی یا پیش‌بینی دسته‌ها از داده‌های تصویری زمانی استفاده کنید که مجموعه تصویری برچسب‌دار حداقل حدود ۵۰۰ نمونه و ایده‌آل یک GPU داشته باشید. این روش داده‌های با توزیع نرمال را فرض نمی‌کند، اما باید افزایش داده اعمال شود. زیر حدود ۵۰۰ تصویر، یک CNN عمیق تمایل به بیش‌برازش دارد، بنابراین یادگیری انتقالی یا یک مدل ساده‌تر ترجیح داده می‌شود؛ با کمتر از حدود ۱۰۰ تصویر، فیلترها نمی‌توانند ویژگی‌های معنی‌دار را استخراج کنند و یک طبقه‌بندی‌کننده کلاسیک مانند SVM انتخاب ایمن‌تری است.

محدودیت‌ها و ملاحظات

  • تشنه داده: به حداقل حدود ۵۰۰ تصویر نیاز دارد و در مجموعه‌های کوچکتر به شدت بیش‌برازش می‌کند.
  • برای زمان‌های آموزش عملی، عملاً به یک GPU نیاز است.
  • یک مدل جعبه سیاه با تفسیرپذیری محدود از تصمیماتش.
  • با تصاویر بسیار کم (کمتر از حدود ۱۰۰ عدد)، فیلترها اصلاً نمی‌توانند ویژگی‌های معنی‌دار را یاد بگیرند.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • ویژگی‌های بصری را مستقیماً از پیکسل‌ها یاد می‌گیرد و نیاز به ویژگی‌های مهندسی‌شده دستی را از بین می‌برد.
  • اتصالات باقیمانده به شبکه‌های بسیار عمیق اجازه می‌دهند بدون محوشدگی گرادیان‌ها آموزش ببینند.
  • دقت پیشرفته در طبقه‌بندی تصویر در بسیاری از حوزه‌ها.
  • پایه‌های از پیش آموزش‌دیده (ResNet، VGG، EfficientNet) یادگیری انتقالی را بر روی مجموعه داده‌های متوسط امکان‌پذیر می‌سازند.
  • مفروضات کم: نیازی به نرمال بودن داده‌های ورودی نیست.

کاربردها

  • طبقه‌بندی تصاویر به دسته‌ها در حوزه‌های طبیعی، پزشکی و سنجش از دور.
  • یادگیری انتقالی: تنظیم دقیق یک پایه از پیش آموزش‌دیده برای یک وظیفه تصویری جدید.
  • کنترل کیفیت و بازرسی بصری در محیط‌های مهندسی.
  • وظایف پیش‌بینی که در آن‌ها ورودی داده‌های تصویری است نه ویژگی‌های جدولی.

چگونه کار می‌کند

چگونه کار می‌کند

1

هر لایه کانولوشنی مجموعه‌ای از فیلترهای کوچک قابل یادگیری را روی تصویر اعمال می‌کند و نقشه‌های ویژگی را تولید می‌کند که الگوهای محلی مانند لبه‌ها، گوشه‌ها و بافت‌ها را برجسته می‌کنند. انباشتن بسیاری از این لایه‌ها، سلسله مراتبی فزاینده انتزاعی از ویژگی‌های بصری را می‌سازد که مستقیماً از پیکسل‌ها یاد گرفته شده و به جای طراحی دستی.

2

پشته‌های بسیار عمیق از مشکل محوشدگی گرادیان رنج می‌برند. اتصالات باقیمانده (پرشی)، که در ResNet مرکزی هستند، ورودی یک بلوک را به خروجی آن اضافه می‌کنند تا هر بلوک فقط مجبور به یادگیری تغییر باقیمانده باشد. این میان‌بر باعث می‌شود گرادیان‌ها از طریق ده‌ها یا صدها لایه جریان یابند، که همین امر باعث می‌شود این شبکه‌ها تا عمق زیاد آموزش داده شوند. خانواده‌هایی مانند VGG از کانولوشن‌های انباشته یکنواخت جانبداری می‌کنند، در حالی که EfficientNet عمق، عرض و وضوح را برای کارایی با هم مقیاس‌بندی می‌کند.

فرمول
y = \mathcal{F}(x, \{W_i\}) + x
3

نقشه‌های ویژگی نهایی تجمیع شده و به یک سر طبقه‌بندی‌کننده ارسال می‌شوند که احتمالی را برای هر دسته خروجی می‌دهد. در عمل، یک مدل از پیش آموزش‌دیده روی مجموعه داده بزرگ با جایگزینی این سر برای کلاس‌های هدف، تنظیم دقیق می‌شود و افزایش داده برای گسترش مجموعه آموزش مؤثر و کاهش بیش‌برازش اعمال می‌شود.

دام‌های رایج

  • آموزش یک CNN عمیق از ابتدا بر روی یک مجموعه داده کوچک به جای استفاده از یادگیری انتقالی.
  • نادیده گرفتن افزایش داده و بیش‌برازش بر روی تصاویر آموزشی.
  • نادیده گرفتن عدم تعادل کلاس در دسته‌های تصویر.
  • گزارش فقط دقت بدون معیارهای هر کلاس در داده‌های نامتعادل.
  • تلاش برای یادگیری عمیق بر روی چند ده تصویر که در آن یک مدل کلاسیک بهتر عمل می‌کند.

پرسش‌های متداول

به چند تصویر نیاز دارم؟

تقریباً ۵۰۰ تصویر برچسب‌دار حداقل عملی است و بیشتر بهتر است. زیر حدود ۵۰۰ تصویر، یک CNN عمیق بیش‌برازش می‌کند، بنابراین یادگیری انتقالی از یک پایه از پیش آموزش‌دیده یا یک مدل ساده‌تر ترجیح داده می‌شود؛ زیر حدود ۱۰۰ تصویر، فیلترها نمی‌توانند ویژگی‌های معنی‌دار را یاد بگیرند.

آیا به GPU نیاز دارم؟

استفاده از GPU به شدت توصیه می‌شود. آموزش شبکه‌های کانولوشنی عمیق از نظر محاسباتی سنگین است و در CPU به تنهایی زمان آموزش برای مجموعه داده‌های واقعی غیرعملی می‌شود.

کدام معماری را انتخاب کنم — ResNet، VGG یا EfficientNet؟

اتصالات باقیمانده ResNet شبکه‌های بسیار عمیق را قابل آموزش می‌سازد و یک انتخاب قوی و پیش‌فرض است. VGG از پشته‌های ساده یکنواخت کانولوشن‌ها استفاده می‌کند، در حالی که EfficientNet عمق، عرض و وضوح را برای دستیابی به دقت بالا با پارامترهای کمتر با هم مقیاس‌بندی می‌کند. شروع از یک نسخه از پیش آموزش‌دیده از هر یک از آن‌ها معمولاً مطمئن‌ترین مسیر است.

چرا افزایش داده مهم است؟

افزایش داده — چرخش‌ها، برش‌ها، چرخش‌ها و تبدیل‌های مشابه — مجموعه آموزش مؤثر را گسترش می‌دهد و شبکه را در معرض تنوع بیشتری قرار می‌دهد که بیش‌برازش را کاهش می‌دهد. با داده‌های تصویری محدود، این یکی از مهم‌ترین مراحل برای تعمیم‌پذیری است.

روش‌های مرتبط

منابع

  1. He, K., Zhang, X., Ren, S. & Sun, J. (2016). Deep Residual Learning for Image Recognition. CVPR.

    باز کردن مرجع DOI
    کپی شد.
  2. Tan, M. & Le, Q.V. (2019). EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. ICML, PMLR 97, 6105–6114. arXiv:1905.11946.

    باز کردن مرجع انتشار
    کپی شد.