نموذج عميق هجين لفهم سلوك الإنسان في الإنترنت الصناعي للأشياء المرئية

يلعب فهم سلوك الإنسان دورًا متزايد الأهمية في نظام الإنترنت الصناعي للأشياء المرئية (IIoVT) المتمحور حول الإنسان، مع الدمج العميق بين الذكاء الاصطناعي والإنترنت الصناعي للأشياء المعتمد على الفيديو. ومع ذلك، يتطلب ذلك موارد حسابية باهظة الثمن، بما في ذلك وحدات الحوسبة عالية الأداء وذاكرة كبيرة، لتدريب نموذج حساب عميق يحتوي على عدد كبير من المعلمات، مما يحد من فعاليته وكفاءته لتطبيقات IIoVT. في هذه المقالة، يتم تقديم نموذج عميق يعتمد على آلية صيانة الموتر لفهم سلوك الإنسان في الفيديو لتلبية متطلبات تطبيقات IIoVT. يمكن أن يحصل على أداء تنافسي في الدقة وكفاءة التدريب مع إمكانية الجمع بين الذكاء الاصطناعي ونظام IIoVT أمامي. من ناحية، لتحقيق دقة مرغوبة، قمنا بتحسين الشبكة العصبية التلافيفية التقليدية واعتمدنا آلية الشبكة العصبية المتكررة لتعزيز تمثيل الفيديو مع مرور الوقت، والتي تأخذ في الاعتبار الارتباط بين الميزات العميقة المتتالية. من ناحية أخرى، لتعزيز القدرة على الاستدلال بين الميزات المكانية والزمانية، نقوم بتنفيذ آلية التعلم التعزيزي النقدي الذاتي في مرحلة تعلم المعلمات. في الوقت نفسه، لتقليل حجم تخزين المعلمات بشكل أكبر لتلبية متطلبات نشر الشبكة العصبية العميقة وجهاز الحافة، نستخدم آلية صيانة الموتر، التي تحول مصفوفة المعلمات إلى فضاء موتر وتنفذ آلية تحليل الموتر لتقليل عدد المعلمات المولدة أثناء تدريب المعلمات. أخيرًا، نقوم بإجراء تجارب موسعة لتقييم مخططنا، وتظهر النتائج أن طريقتنا يمكن أن تحسن كفاءة التدريب وتوفر مساحة الذاكرة لنموذج الحساب العميق مع دقة أفضل.