Iii-bob. Asosiy model asosida algoritmlarni ishlab chiqish

Xususiyatlarni keltirib chiqarish

Tarmoq o‘qitilganda, u xususiyat ekstraktori sifatida ishlatiladi. SM zich qatlami tarmoqdan olib tashlanadi va oxirgi yashirin qatlamning chiqishlari yurish tasvirlari sifatida ishlatiladi. Yuqorida tavsiflangan qadamlar optik oqim xaritalarining har bir bloki uchun xususiyat vektorini olish imkonini beradi. Algoritmlarni sinovdan o‘tkazish bosqichida bu bloklar deterministik tarzda tuziladi: hech qanday aylantirilmaydi va chap va yuqori chegaralar domenlarining o‘rtacha qiymatlarini tanlagan holda yamalar kesiladi.
Xususiyatlarni qayta ishlash va tasniflash
Har bir OF bloki uchun xususiyat vektoriga ega bo‘lgan holda, ushbu xususiyatlar to‘plami uchun yakuniy javobni olish kerak, ya’ni olingan deskriptorlarni qayta ishlash, ularni bitta yurish deskriptoriga jamlash va uni tasniflash. Ushbu bo‘lim aynan shu narsaga qaratilgan.
Shuni ta’kidlash kerakki, eng ahamiyatsiz holatda, agar o‘quv majmuasidagi mavzular test ob’ektlari bilan bir xil bo‘lsa, tarmoqning o‘zi allaqachon o‘rnatilgan tasniflagich sifatida ishlatilishi mumkin. Bu ob’ektlar bo‘yicha ehtimollik taqsimotining logistik regressiyasiga va shuning uchun neyron deskriptorlarning chiziqli tasnifiga tengdir. Shunga qaramay, agar o‘qitish va sinovdan o‘tkazish sub’ektlari bir-biridan farq qiladigan bo‘lsa, klassifikator moslikni talab qiladi, shuning uchun xususiyatni o‘rganish va tasniflash alohida amalga oshirilishi tavsiya etiladi.
Yurish xususiyatini tasniflash usuli sifatida eng yaqin qo‘shni (NN) klassifikatori tanlangan. Mashinani o‘rganishning eng oddiy usullaridan biri bo‘lib, u ma’lumotlar bazasi orqali eng o‘xshash (ba’zi o‘xshashlik ko‘rsatkichlariga ko‘ra) ob’ektni qidirishga mos keladi. Oddiyligiga qaramay, bu yondashuv yuqori tasniflash aniqligini ko‘rsatadi va ko‘pincha logistik regressiya yoki qo‘llab-quvvatlash vektor mashinasi (SVM) kabi boshqa mashhur tasniflash usullarini keltirib chiqaradi.
Metrik algoritm bo‘lgani uchun, eng yaqin qo‘shni tasnifi, agar xususiyatlar oldindan masshtablangan bo‘lsa, ancha muvaffaqiyatli bo‘ladi, shuning uchun har bir blok deskriptorining 2 normalizatsiyasi uni ajratib olingandan so‘ng darhol amalga oshiriladi. Biroq, har bir blok uchun eng yaqin deskriptorni to‘g’ridan-to‘g’ri qidirish yuqori tanib olish sifatiga olib kelmaydi. Har bir blok juda qisqa video ketma-ketligini o‘z ichiga olganligi sababli, u barcha harakatni ushlamaydi va bu ma’lumotlardan olingan xususiyatlar yurish siklidagi ko‘rib chiqilayotgan blokning joylashishiga bog’liq bo‘lishi mumkin. Shunday qilib, eng yaqin deskriptor boshqa mavzuga tegishli bo‘lgan bir xil pozitsiyaga ega bo‘lgan blokga mos kelishi mumkin. Lavozimga bog’liqlikdan xalos bo‘lish uchun biz birinchi navbatda butun videodagi xususiyatlarni bitta yurish deskriptoriga o‘rtacha hisoblaymiz, so‘ngra boshqa video deskriptorlari orasida eng o‘xshashini qidiramiz. Joylashuv mustaqilligiga qo‘shimcha ravishda, bunday yig’ish klassifikatorni keyingi o‘rnatish va qo‘llashni tezlashtirishga imkon beradi, chunki o‘qitish va sinov deskriptorlari soni sezilarli darajada kamayadi: uzunligidan qat'i nazar, har bir video uchun faqat bitta deskriptor qoladi. Natijalar klassifikator qo‘llanilgandan so‘ng umumlashtiriladigan ovoz berish usuli bilan taqqoslaganda, bu yondashuv tezlik va sifat jihatidan katta yutuqlarni ko‘rsatadi.
Har bir video uchun o‘rtacha yurish deskriptori hisoblangandan so‘ng, ma’lumotlar bazasidan eng yaqini topiladi va javob sifatida qaytariladi. Vektorlar orasidagi "klassik" Evklid masofasiga qo‘shimcha ravishda, Manxetten masofasi NN tasniflagichi uchun asos sifatida qabul qilinadi. Ma’lum bo‘lishicha, bu ko‘rsatkichlar yurish deskriptorlarining o‘xshashligini o‘lchash uchun yanada barqaror va mos keladi va ko‘pgina tajribalarda yaxshiroq natijani ko‘rsatadi.
Ta’riflangan jarayon neyro deskriptorlarning asosiy tasnifini tez va aniq amalga oshirish imkonini beradi. Shu bilan birga, tanib olishni yaxshilash uchun tavsiflovchilar yordamida ikkita yordamchi modifikatsiya qilish mumkin. Avvalo, xususiyat vektorlarining o‘lchamlarini kamaytirish va ulardagi shovqinlardan xalos bo‘lish uchun asosiy komponentlar tahlili (PCA) taqdim etilishi mumkin. Bundan tashqari, bunday past o‘lchamli proyeksiya har qanday tasniflagichni o‘rnatishni tezlashtiradi. Chiziqli transformatsiya bo‘lganligi sababli, PCA tarmoqning oxirgi zich qatlami bilan birlashtirilishi mumkin edi, ammo ular o‘rtasida chiziqli bo‘lmagan deskriptorni normallashtirish amalga oshiriladi va tajribalar shuni ko‘rsatadiki, bunday yechim modelning aniqligini oshiradi..