تعزيز تقنيات الكشف عن الأشياء من خلال نقل التعلم والنماذج المدربة مسبقًا

الملخص

تهدف هذه الدراسة إلى تعزيز أنظمة الكشف عن الكائنات من خلال مقارنة نماذج التصنيف المدربة مسبقًا بنماذج مدربة خصيصًا، مع التركيز على التعلم العميق القائم على المهام للتعرف على الصور. المشكلة التي تم تناولها هي التحدي المتمثل في الكشف الدقيق عن الأشياء وتصنيفها في بيئات معقدة، حيث قد تقصر أنظمة التعرف التقليدية. الحل المقترح يعزز نقل التعلم، وذلك باستخدام نماذج مدربة مسبقًا مثل ResNet أو VGGNet كمستخلصات للميزات. من خلال استغلال الطبقات التلافيفية لهذه النماذج، يلتقط النظام السمات المشتركة لمهام الكشف المحددة. أكدت التحليلات التجريبية على مجموعات البيانات المعيارية فعالية هذا النهج، حيث أظهرت دقة وكفاءة الكشف المحسنة في سيناريوهات مختلفة. حقق FasterRCNN على مجموعات البيانات الاصطناعية متوسط دقة 78% و 74%على مجموعات البيانات الحقيقية عند عتبة Intersection over Union (IoU) تبلغ 0.5. وهذا يدل على الأداء المتفوق لـ FasterRCNN من حيث الدقة، مما يجعله مرشحًا قويًا للتطبيقات التي تتطلب دقة كشف عالية.