استكشاف التعلم العميق لاسترجاع النماذج ثلاثية الأبعاد القائمة على العرض

في السنوات الأخيرة، أصبح استرجاع النماذج ثلاثية الأبعاد القائمة على العرض واحدًا من مجالات البحث في مجال رؤية الكمبيوتر وتعلم الآلة. في الواقع، يتكون خوارزم استرجاع النماذج ثلاثية الأبعاد من استخراج الميزات وقياس التشابه، وتلعب الميزات القوية دورًا حاسمًا في قياس التشابه. على الرغم من أن التعلم العميق حقق نجاحًا شاملًا في مجال رؤية الكمبيوتر، إلا أن ميزات التعلم العميق تُستخدم لاسترجاع النماذج ثلاثية الأبعاد فقط في عدد قليل من الأعمال. على حد علمنا، لا يوجد معيار لتقييم ميزات التعلم العميق هذه. لمواجهة هذه المشكلة، نقوم في هذا العمل بتقييم منهجي لأداء ميزات التعلم العميق في استرجاع النماذج ثلاثية الأبعاد القائمة على العرض على أربعة مجموعات بيانات مشهورة (ETH، NTU60، PSB، وMVRED) باستخدام أنواع مختلفة من طرق قياس التشابه. بالتفصيل، تتم مقارنة أداء الميزات المصنوعة يدويًا وميزات التعلم العميق، ثم يتم تقييم قوة ميزات التعلم العميق. أخيرًا، يتم أيضًا تقييم الفرق بين ميزات التعلم العميق ذات العرض الواحد وميزات التعلم العميق متعددة العرض. من خلال تحليل الأداء بشكل كمي على مجموعات بيانات مختلفة، من الواضح أن هذه الميزات من التعلم العميق يمكن أن تتفوق باستمرار على جميع الميزات المصنوعة يدويًا، وهي أيضًا أكثر قوة من الميزات المصنوعة يدويًا عندما يتم إضافة درجات مختلفة من الضوضاء إلى الصورة. يُظهر استكشاف العلاقات الكامنة بين وجهات نظر مختلفة في بنى الشبكات العصبية العميقة متعددة العرض أن أداء التعلم العميق متعدد العرض يتفوق على ميزات التعلم العميق ذات العرض الواحد مع تعقيد حسابي منخفض.