بحث عن المعلمات الفائقة وتقويم الأداء لشبكات الأعصاب التلافيفية لتصنيف الصور

مع تزايد شعبية مجالات التعلم العميق ورؤية الكمبيوتر، يُعد تصنيف الصور مهمة أساسية في رؤية الكمبيوتر تهدف إلى فهم الصور بشكل شامل وتصنيفها إلى فئات محددة. تم تطوير وتقييم أنواع مختلفة من خوارزميات تصنيف الصور المعتمدة على الشبكات العصبية التلافيفية (CNNs) على مجموعات بيانات صور متعددة. أثناء تدريب العديد من خوارزميات تصنيف الصور، يمكن أن تؤثر عدة عوامل بشكل كبير على النتائج وعملية التعلم والتدريب. تشمل هذه العوامل تعقيد مدخلات الصور، وطريقة تحسين المعلمات المستخدمة، وتقنيات ضبط المعلمات المطبقة. في هذه المقالة، أجرى المؤلف تجارب باستخدام ResNet-18، وهي شبكة متبقية تتعلم الوظائف المتبقية لتجنب الإفراط في التوفيق، مع تركيبات مختلفة من معدلات التعلم والمحسّنات. بعد تحليل النتائج التجريبية، لوحظ أن مدى تعقيد المدخلات يمكن أن يؤثر بالفعل على دقة نتائج النماذج، فضلاً عن سلوك التقارب أثناء عملية التدريب.