تدريب نماذج الكشف عن المركبات وتصنيفها ببيانات أقل: نهج التعلم النشط

ساعد تطبيق رؤية الكمبيوتر في هندسة النقل على تحسين تدفق حركة المرور في الوقت الحقيقي، عدد المركبات، اكتشاف الشذوذ، وتعزيز سلامة النقل. ومع ذلك، يتم تطوير معظم أنظمة الرؤية من خلال عملية تعلم إشرافية، والتي يمكن أن تكون مكلفة ومتطلبة للبيانات لأنها تتطلب التعليق اليدوي على الأشياء من مجموعة متنوعة من المصادر. القاعدة العامة لبناء نماذج رؤية دقيقة وقابلة للنقل كانت زيادة جودة وتنوع وكمية مجموعات البيانات المعلقة المستخدمة في تدريب النموذج. يقدم هذا البحث إطار عمل بسيط ولكنه فعال للتعلم النشط يقلل بشكل كبير من عدد التعليقات اللازمة لبناء نموذج متقدم للكشف عن المركبات وتصنيفها. لتحقيق ذلك، نستفيد أولاً من محول الرؤية الذي ينشئ تمثيلات غنية بالمعلومات اللازمة لتحديد التشابه والتنوع بين الصور في فضاء تمثيل ثنائي الأبعاد. لاختيار الصور التي يجب أن يتم التعليق عليها من فضاء التمثيل، نقترح استراتيجية تقييم واختيار تقلل من عدم توازن الفئات وعدم اليقين لدى النموذج من خلال عملية متكررة. تم استخدام أحدث إصدار من نموذج You Only Look Once (YOLO)، YOLOv8، كمتعلم نشط. نقارن فعالية طرق التعلم النشط المقترحة لدينا بالنماذج التي تم تطويرها بمعدلات أخذ عينات أعلى بكثير باستخدام دقة المتوسط المرجح. تم دمج النماذج التي تم تطويرها أيضًا مع خوارزميات التتبع لتقييم الاختلافات في الدقة لعدد المركبات وتأثيراتها العملية على عدّ الاتجاهات.