استخراج ویژگی از تصویر از شبکه های کانولوشنال

Question

با سلام خدمت دوستان
میخواستم بدونم که در ویژگی هایی که ما از شبکه های کانولوشنال استخراج میکنیم تا چه حد دخل و تصرف داریم ؟ یعنی در واقع این ویژگی ها فقط توسط آموزشی که شبکه برای خودش ایجاد کرده تولید میشوند یا راهی هم برای تعیین ویژگی تولیدی توسط خودمان هست؟ سوال دیگر اینکه امکان ایجاد و تولید ویژگی خارج از شبکه های عمیق و دادن این ویژگی ها به عنوان ورودی به شبکه وجود دارد؟ به این صورت که شبکه با ویژگی هایی که ما برایش تعیین کردیم آموزش ببیند ؟
سوالات در حوزه تصویر مورد نظر است
برای پاسخ اگر منبع نیز ذکر شود عالی خواهد بود
ممنون از همه دوستان

Comments

سلام .
علاوه بر توضیحات داده شده :
بله شما میتونید خودتون هم ویژگی استخراج کنید و به عنوان ورودی شبکه ارائه کنید و مشکلی از این نظر ندارید مثلا در اوایل افراد میومدن ابتدا با استفاده از یک اتوانکودر داده ورودی رو به یک فضای دیگه نگاشت میکردن یا کاهش بعد میدادن و بعد از نتیجه اون بعنوان ورودی به شبکه کانولوشن استفاده میکردن .

---

خیلی تشکر میکنم. اگر مقاله ای که این موردی که گفتید پیاده کرده در خاطر دارید میتونم خواهش کنم که معرفی بفرمایید. اگر سنجش از دور باشه عالیه در غیر این صورت بینایی ماشین هم باشه گره گشای کار بنده خواهد بود. تشکر

---

سلام. الان مقاله ای به ذهنم نمیاد چون این موارد مربوط به دو سه سال پیش بود و منم ضمن مطالعه با اونها برخورد سطحی داشتم  الان البته از این کارها نمیشه و یا اگر بشه من شخصا اطلاعی ندارم (ندیدم تا بحال) . برای تستش هم نباید مشکلی داشته باشید آموزش اتوانکودرها در کراس رو دنبال کنید بعد مسیر مشخصه براتون . برای مقاله هم بنظرم تو arxiv sanity سرچ کنید خوبه (تو حوزه خودتون) ببینید چیزی پیدا میکنید یا خیر که بتونید به کارتون جهت بدید .

Answer 1

سلام
شبکه‌های عصبی کانولوشنی برای یادگیری اولیه یک سری وزن‌های اولیه‌ی تصادفی تولید می‌کنند و از این لحاظ با پرسپترون چندلایه قابل مقایسه هستند. یعنی همانطور که با انتخاب وزن‌های مناسب و هدفمند در پرسپترون چندلایه می‌توانید فرآیند آموزش را تسریع ببخشید در اینجا نیز این مورد ممکن است. اما اگر وزن‌های اولیه‌ای که توسط کاربر به شبکه وارد می‌شوند در فرآیند بازشناسی موثر نباشند این ویژگی‌ها در طی فرآیند آموزش حذف خواهند شد.
در نتیجه شما می‌توانید وزن‌های دلخواهتون رو به راحتی وارد شبکه کنید. به عنوان مثال شما میتوانید فیلترهای گابور رو در لایه اول شبکه قرار بدید و در مورد بقیه لایه‌ها هم همینطور. حالا دو حالت وجود دارد: یا ویژگی‌های انتخابی شما بسیار مناسب هستند و تمایلی به آموزش مجدد لایه انتخابی از طریق آموزش ندارید و یا اینکه میخواهید اون لایه در فرآیند آموزش شرکت بدید که در این صورت یا تقویت میشوند و یا تضعیف.