دانلود مقاله کمی از قابلیت انتقال ویژگی ها بین اعصاب عمیق شبکه های
موضوع انگلیسی:Quantification of the transferability of features between deep neural networks
زبان: انگلیسی
فرمت فایل: pdf
تعداد صفحه:10
سال انتشار:2021
چکیده
ماهیت محاسباتی شبکه های عصبی عمیق ، همراه با گرسنگی قابل توجه آنها برای داده های برچسب زده ، می تواند به
عملکرد کلی این مدل ها در میان سایر تکنیک ها ، این چالش را می توان با آموزش انتقال (Transfer Learning) که شامل آن است ، برطرف کرد
در استفاده مجدد از دانش قبلاً توسط یک مدل: این روش به طور گسترده مورد استفاده قرار می گیرد و در افزایش آن موثر بوده است
عملکرد مدل ها در زمینه های کم منابع با این حال ، مشارکتهای نسبتاً کمی در مورد قابلیت انتقال واقعی وجود دارد
ویژگی ها در یک مدل یادگیری عمیق این مقاله QUANTA (قابلیت انتقال کمی)، روشی برای کمی کردن
قابلیت انتقال ویژگی های یک مدل معین QUANTA یک لایه 2 پارامتری است که در یک مدل هدف در سطحی که در آن یک لایه اضافه شده است اضافه شده است
می خواهد قابلیت انتقال لایه مربوطه را در یک مدل منبع مطالعه کند. داده ها از دامنه هدف به هر دو داده می شود
منبع و مدلهای هدف ، پارامترهای لایه QUANTA به گونه ای آموزش داده شده اند که کمی کمی متقابلاً
بین مدل منبع (آموزش دیده و یخ زده) و مدل هدف (قابل آموزش) رخ می دهد. رویکرد پیشنهادی بر روی یک مجموعه ارزیابی می شود
آزمایش بر روی یک کار تشخیص بصری با استفاده از شبکه های عصبی تحولی نتایج نشان می دهد که QUANTA امیدوار کننده است
ابزاری برای کمی کردن قابلیت انتقال ویژگی های یک مدل منبع، و همچنین روشی جدید برای ارزیابی کیفیت یک انتقال.
