مقاله #1180

چکیده

در این مقاله، ما یک روش بازآموزشِ مدل را به منظور یادگیری بازنمایی‌های کانولوشنِ کارآمدتر برای بازیابی تصویر مبتنی بر محتوا، ارائه می‌دهیم. ما یک مدل CNN عمیق را برای بدست آوردن بازنمایی‌های ویژگی از فعال‌سازی‌های لایه‌های کانولوشن، با استفاده از ادغام بیشینه به کار می‌گیریم و سپس به منظور ایجاد توصیف‌گرهای تصویر فشرده‌ و کارآمدتر که کارایی بازیابی و نیازمندی‌های حافظه را بهبود می‌بخشند، شبکه را با اتکا به اطلاعات موجود، تطبیق و بازآموزش می‌دهیم. روش ما سه رویکرد اصلی را برای بازآموزشِ مدل پیشنهاد می‌کند، که عبارتند از: بازآموزش کاملاً بدونِ‌ناظر، در صورتی که هیچ اطلاعاتی به جز اطلاعات خودِ مجموعه‌‌ی‌ داده وجود ندارد؛ بازآموزش با اطلاعات ارتباط، در صورتی که برچسب‌های مجموعه‌‌داده‌ی آموزشی در دسترس باشد؛ و بازآموزش مبتنی بر بازخوردِ ارتباط، در صورتی که بازخورد از طرف کاربران وجود داشته باشد. ارزیابی‌های آزمایشی بر روی سه مجموعه‌داده‌ی بازیابی تصویر که به صورت عمومی در دسترس هستند، کارایی روش پیشنهادی را در یادگیری بازنمایی‌های کارآمدتر برای بازیابی و عملکرد بهتر آن را نسبت به سایر شیوه‌های بازیابی مبتنی بر CNN و همچنین رویکردهای کانولوشن با استخراج ویژگی به صورت دستی، در تمام مجموعه‌داده‌های مورد استفاده، نشان می‌دهد.