18105

15791

كارشناسي ارشد

معماري سيستم هاي كامپيوتري

اصفهان : دانشگاه صنعتي اصفهان

1401

سيزده، 82ص.: مصور (رنگي)، جدول، نمودار

نادر كريمي

1401/09/15

كتابنامه

مهندسي كامپيوتر

مهندسي برق و كامپيوتر

1401/09/15

288486

يادگيري عميق زيرمجموعه‌اي از علم يادگيري ماشين است و از روشي كه ذهن انسان براي يادگيري يك موضوع خاص به كار مي‌گيرد، تقليد مي‌كند. روش‌هاي معمول يادگيري عميق نياز به حجم بالايي از داده‌هاي آموزشي دارند و دقت بالاي اين شبكه‌ها علاوه بر ساختار آن‌ها، معمولا به دليل مجموعه داده‌هاي عظيمي است كه براي آموزش آن‌ها استفاده مي‌شود. همچنين به طور معمول روند كاري اين شبكه‌ها به اين صورت است كه يك بار آموزش مي‌بينند و سپس بارها مورد استفاده قرار مي‌گيرند. در كاربردهاي واقعي اما شرايط كمي متفاوت است. به اين معنا كه براي آموزش مثلا يك كلاس داده‌هاي زيادي در دسترس نيست. از نظر اقتصادي هم جمع‌آوري حجم بالاي نمونه براي هر كلاس مي‌تواند مقرون به صرفه نباشد. از طرف ديگر در اكثر موارد نياز است شبكه پس از آموزش اوليه، به طور مكرر موارد جديدي را بياموزد. هدف مسئله يادگيري افزايشي با داده محدود مرتفع كردن نيازها و چالش‌هاي ذكر شده مي‌باشد. يادگيري افزايشي با داده محدود به معناي آموختن كلاس‌هاي جديد با نمونه‌هاي اندك به ازاي هر كلاس بدون فراموشي كلاس‌هاي پيشين مي‌باشد. در اين پايان‌نامه ابتدا روش‌هاي معرفي شده در اين زمينه بررسي شده است. از آنجايي كه ويژگي داده‌هاي استفاده شده در دقت نهايي الگوريتم اثرگذار است، دو آزمايش جهت تحليل آماري و بررسي تاثير داده‌هاي استفاده شده براي آموزش، طراحي شده است. همچنين روشي جهت بهبود يكي از الگوريتم‌هاي معرفي شده ارائه مي‌شود. نتايج بدست آمده نشان مي‌دهد روش پيشنهادي در برخي جلسات دقت بالاتري نسبت به روش پايه نتيجه مي‌دهد.

Deep learning is a branch of machine learning science that imitates the way the human mind uses to learn a specific subject. Common deep learning methods require a large amount of training data and their high accuracy, in addition to their complex structure, is usually due to the vast data set used to train them. These networks are also typically trained once and used many times after training. In real applications, however, the conditions are slightly different. For example, training a particular class would be difficult since small data is available. From an economic point of view, collecting a large number of samples for each class may be costly. On the other hand, most networks need to learn new things repeatedly after the initial training. A few-shot incremental learning approach is used to address these needs and challenges. In these methods, the model learns new classes with few samples per class without forgetting previously learned classes. In this thesis, the recently proposed methods introduced in this field have been reviewed. Also, two experiments have been designed for statistical analysis and investigation of the impact of the data used for training. Furthermore, a method to improve one of the introduced algorithms is presented. The results show that the proposed method obtains higher accuracy than the base method in some sessions.

شادرخ سماوي

نادر كريمي