انتقال يادگيري از شبكه هاي عصبي كانولوشنال مبتني بر رويكرد نوين تنظيم جزيي تكاملي براي طبقه بندي اصوات محيطي

مسئله كمبود نمونه هاي آموزش يكي از چالش هاي اصلي در به كارگيري شبكه هاي عصبي كانولوشنال عميق براي طبقه بندي اصوات محيطي است. يكي از رويكرد هاي مورد توجه براي مواجه با چالش مذكور، انتقال يادگيري است كه در آن مدلي از پيش آموزش ديده به روي دادگاني با ابعاد بزرگ، به كابرد هدف با اعمال تنظيمات جزيي تطبيق داده مي شود. در اين پژوهش، ما نشان مي دهيم كه در هر لايه همه نورون/كرنل ها تأثير يكساني در تشخيص نمونه هاي كلاس هاي مختلف ندارند، بلكه به ازاي هر كلاس زيرگروهي خاص نقش اصلي و حياتي را در طبقه بندي بازي مي كند. از اين رو و با توجه به وجود شباهت هاي زياد بين برخي ازكلاس هاي مبدأ و هدف، پيشنهاد مي كنيم كه تمركز تنظيمات جزيي در هر لايه تنها معطوف به زيرگروهي از نورون/كرنل ها شود كه به شدت نيازمند تغييرات هستند و مسئول اصلي خطا در طبقه بندي نمونه هاي ورودي هستند، و باقي دست نخورده رها شوند. براي شناسايي زيرگروه هاي مذكور، يك مسئله يادگيري تو در تو طرح مي كنيم و يك رويكرد تكاملي مؤثر براي حل آن پيشنهاد مي كنيم. ارزيابي روش پيشنهادي بيانگر بهبود مطلق به اندازه 1.9% و 2.3% در دقت طبقه بندي به ترتيب به روي دادگان هاي ESC-50 و DCASE-17 نسبت به روش مرسوم انتقال يادگيري است؛ بهبودي كه بدون اضافه كردن داده جديد و تنها با بهره برداري مؤثرتر از دانش موجود در شبكه از پيش آموزش ديده بدست آمده است. همچنين، افزايش زمان آموزش به ازاي روش تكاملي پيشنهادي كم و در حدود يك سوم زمان لازم براي آموزش شبكه از ابتدا برآورد شده است.