Brath Neamhghnácha i bhFíseán Mórshonraí Le Uath-ionchódóir Feabhsaithe

1. Réamhrá

Mar thasc fís ríomhaire ardleibhéil, tagraíonn braiteadh aimhrialtachta físeáin do bhrath uathoibríoch imeachtaí neamhghnácha i seicheamh físeán áirithe, ar féidir leo gníomhaíochtaí neamhghnácha agus gnáth agus catagóirí neamhghnácha san fhíseán a idirdhealú go héifeachtach. Le blianta beaga anuas, tá go leor taighde déanta ag taighdeoirí a bhaineann le brath aimhrialtachta [1-9]. I gcomparáid le gnáth-imeachtaí, meastar go hiondúil gur imeachtaí neamhghnácha iad imeachtaí a tharlaíonn go hannamh nó a bhfuil dóchúlacht íseal acu. Mar sin féin, go praiticiúil, tá sé deacair samhail bhrath aimhrialtachta éifeachtach a bhunú mar gheall ar chineálacha teagmhais anaithnid agus sainmhínithe doiléir ar aimhrialtachtaí. Deartar an chuid is mó de na modhanna braite aimhrialtachta atá ann cheana ar an mbonn tuisceana go mbreathnaítear ar aon phatrún atá difriúil leis an ngnáthphatrún foghlamtha mar aimhrialtachtaí. Bunaithe ar na boinn tuisceana sin, féadfar an ghníomhaíocht chéanna i gcásanna éagsúla a léiriú mar ghnáth-theagmhais nó mar imeachtaí neamhghnácha. Mar shampla, d'fhéadfadh radharc troid ina bhfuil beirt ag troid ar an tsráid a mheas neamhghnách, agus is gnách go mbíonn an bheirt acu nuair a bhíonn siad ag dornálaíocht. Ina theannta sin, tá cuid mhór faisnéise amhairc iomarcach i sonraí físe ardthoiseach, rud a mhéadaíonn an deacracht a bhaineann le hionadaíocht imeachtaí sa seicheamh físeáin.

cistanche luibh Sínis

De réir oibreacha roimhe seo, is féidir modhanna braite aimhrialtachta a roinnt go ginearálta ina dhá chineál. Deartar roinnt modhanna braite aimhrialtachta trí earráidí atógála, a dhíríonn ar ghnáthphatrúin a shamhaltú i seichimh físeáin [3–5, 7, 8, 10, 11]. (Foghlaimíonn na modhanna seo an tsamhail ionadaíochta gné den ghnáthphatrún sa chéim oiliúna agus úsáideann siad na difríochtaí idir na samplaí neamhghnácha agus gnáth chun scór neamhghnácha deiridh na sonraí tástála a chinneadh le linn na céime tástála, mar shampla earráidí atógála nó tairseacha sonracha [7 – 14] Cé go bhfuil na modhanna braite aimhrialtachta atá bunaithe ar atógáil go maith chun gnáthphatrúin i seichimh físeáin a athchruthú, is í an phríomhfhadhb a bhaineann leis na modhanna seo ná go mbraitheann siad go mór ar na sonraí oiliúna. 15, 16] Maidir leis na modhanna seo, déantar scór aimhrialtacht seicheamh físeáin a thuar trí úsáid a bhaint as aicmitheoir oilte chun gnéithe amhail histeagram an chomhalta optúil (HOF) nó uigeacht dhinimiciúil (DT) a bhaint as (e feidhmíocht na modhanna seo ná Ag brath go mór ar na samplaí oiliúna Chun feidhmíocht shásúil a bhaint amach, tá sé ríthábhachtach gnéithe éifeachtacha agus idirdhealaitheacha a bhaint as a leithéid de mhodhanna chun aimhrialtacht a bhrath [17–20]. Mar sin féin, de ghnáth múnlaíonn an dá chineál modhanna na caidrimh idir imeachtaí ar bhealach réasúnta simplí [7, 10, 21-23]. Mar shampla, ní mheastar ach an caidreamh líneach, rud nach leor le haghaidh caidrimh chasta, an-neamhlíneacha i go leor cásanna sa saol fíor.

Ciste maireachtála an fhásaigh

Le blianta beaga anuas, cuireadh modhanna bunaithe ar fhoghlaim dhomhain i bhfeidhm ar an réimse braite físeáin agus rinneadh dul chun cinn mór [24-26]. Mar shampla, úsáideann autoioncoders (AE) earráidí atógála chun aimhrialtachtaí a bhrath, agus feabhsaíodh sraith modhanna ar an mbonn seo. Ina theannta sin, cuireadh líonraí sáraíochta giniúna (GAN) agus cuimhne gearrthéarmach fada (LSTM) i bhfeidhm freisin chun fadhb braite aimhrialtachta a réiteach. Mar sin féin, d'fhéadfadh go mbeadh cumas láidir ginearálaithe ag an AE, rud a fhágann go bhfuil an cumas imeachtaí neamhghnácha a athchruthú. I [14], thug na taighdeoirí le fios, toisc nach bhfuil samplaí oiliúna neamhghnácha ann, gur cheart go mbeadh athchruthú samplaí neamhghnácha neamh-intuartha, rud a d'fhéadfadh earráidí atógála níos mó a bheith mar thoradh ar shamplaí neamhghnácha. Má roinneann roinnt aimhrialtachtaí patrún comhdhéanamh coitianta le gnáthshonraí oiliúna nó má tá an díchódóir "ró-láidir" agus nach féidir leis roinnt cóid aimhrialtacht a dhíchódú go maith, is féidir leis an AE an aimhrialtacht a athchruthú go maith. Chun easnaimh an AE a shárú, úsáideann an páipéar seo modúl cuimhne chun an AE domhain a fheabhsú agus forbraíonn sé modh cuimhne méadaithe AE (Cuimhne AE). Nuair a chuirtear sampla tástála nua isteach, ní dhéanfaidh Memory AE é a ionchódú go díreach agus é a ionchur sa díchódóir ach é a úsáid mar cheist chun an t-ábhar ábhartha sa mhodúl cuimhne a aisghabháil. (ga, déantar an t-ábhar a chomhiomlánú agus a chur isteach sa díchódóir. (déantar an próiseas a fhíorú trí dhíriú ar aird. Ina theannta sin, úsáideann an páipéar seo oibreoirí crapadh difreáilte chun tearcúlacht meáchain seoltaí cuimhne a aslú, rud a d'fhéadfadh ábhar cuimhne a spreagadh chun ceisteanna a chur sa ghné Le linn na céime oiliúna, nuashonraíonn an t-ionchódóir agus an díchódóir an modúl cuimhne ag an am céanna chun earráid athchruthaithe meán níos ísle a fháil.Sa chéim tástála, socraítear an t-ábhar cuimhne foghlamtha, agus úsáidfear méid beag de ghnáth-mhíreanna cuimhne. Má roghnaítear iad seo mar chomharsanacht an chóid ionchuir, beidh an earráid atógála an-soiléir Léiríonn turgnaimh ar roinnt tacar sonraí tagarmharcála poiblí go bhfuil feidhmíocht braite Memory AE ar an gcaighdeán is airde.

Príomh-Chomhábhair Cheimiceacha de Cistanche deserticola

2. Prionsabal an Algartam

Taispeánann Figiúr 1 struchtúr líonra iomlán Cuimhne AE, atá roinnte ina thrí fho-struchtúr: ionchódóir (a úsáidtear le haghaidh ionchódú ionchuir agus ceisteanna a ghiniúint), díchódóir (a úsáidtear le haghaidh atógáil), agus modúl cuimhne (le cuimhne agus oibríochtaí seoltaí gaolmhara). Mar a léirítear i bhFíor 1, i bhfianaise an imeachta atá le tástáil, faigheann an t-ionchódóir a luach códaithe ar dtús. Trí úsáid a bhaint as an luach códaithe mar cheist, déanann an modúl cuimhne an t-ábhar is ábhartha sa mhodúl cuimhne a aisghabháil trí oibreoir seoltaí aird-bhunaithe agus ansin cuireann sé ar aghaidh chuig an díchódóir é lena athchruthú. Le linn na hoiliúna, déanann an t-ionchódóir agus an díchódóir na paraiméadair a bharrfheabhsú chun an earráid athdhéanta a íoslaghdú agus, ag an am céanna, an modúl cuimhne a nuashonrú chun na heilimintí fréamhshamhlacha de na gnáthshonraí ionchódaithe a thaifeadadh. I bhfianaise shampla tástála, ní úsáideann an tsamhail ach na gnáthphatrúin teoranta a thaifeadtar sa mhodúl cuimhne chun an t-athchruthú a dhéanamh. Ar an mbealach seo, is gnách go mbíonn an t-athchruthú gar don ghnáthshampla. Mar sin, tá earráid athdhéanta an ghnáthshampla beag, agus tá an earráid neamhghnácha mór.

Fíor 1: (e sreabhchairt den chuimhne molta AE.

2.1. Ionchódóirí agus díchódóirí. (Is dhá chuid den AE iad an t-ionchódóir agus an díchódóir. (e mapálann an t-iar-cheannaire na sonraí ionchuir chuig an ngnéspás chun a luach códaithe a fháil, agus athfhoirgníonn an dara ceann an luach códaithe isteach sna sonraí ionchuir. (e Tá AE comhdhéanta de). ionchódóir fw1 (·) agus díchódóir gw2 (·), ar féidir iad a shloinneadh mar

nuair is é x agus x′ ionchur an AE agus an t-ionchur athdhéanta, faoi seach, is é z torthaí ionchódaithe x, agus seasann W1 agus W2 paraiméadair an ionchódóra agus an díchódóra, ar féidir a fháil tríd an earráid atógála idir x agus x′:

Trí earráid an ghnáthshampla [19, 20] a athchruthú chun a chinneadh an bhfuil sé neamhghnácha, baineadh úsáid as an AE go rathúil chun an tasc braite neamhghnácha a réiteach. Mar sin féin, ba cheart go mbeadh atógáil samplaí neamhghnácha do-thuartha, rud a d'fhéadfadh earráidí atógála níos mó a bheith mar thoradh ar shamplaí neamhghnácha. Chun an fhadhb seo a réiteach, tugtar modúl cuimhne isteach don AE i Roinn 2.2, agus moltar Cuimhne AE.

2.2. Modúl Cuimhne. (áirítear sa mhodh atá beartaithe modúl cuimhne chun modh ionchódaithe an fhréamhshamhail a thaifeadadh agus oibríocht seoltaí chun rochtain a fháil ar an modúl cuimhne.

2.2.1. Ionadaíocht Aird-Bhunaithe. (tá an modúl aire deartha mar mhaitrís M ∈ RN×C ina bhfuil N veicteoir fíor-ama. Ar mhaithe le simplíocht, glac leis gurb é C toise z; ansin, lig Ζ � RC. Ag tabhairt veicteoir sraithe mi, ∀i ∈ [ N], áit a bhfuil [N] ina slánuimhir ó 1 go N. Seasann gach ceann díobh mi mír chuimhne; nuair a thugtar sraith fiosrúchán z ∈ RC, faigheann an líonra cuimhne ?z agus freagraíonn sé le veicteoir seoltaí bog w ∈ R1×N mar seo a leanas:

nuair is veicteoir rónna é w, agus is é 1 suim na míreanna go léir, a sheasann do wi, an mhír w de i. (Is féidir an veicteoir meáchain w a fháil trí z a ríomh. Mar a thaispeántar i gcothromóid (4), ní mór an meáchan seoltaí a bheith gar don mhodúl cuimhne (e sainmhínítear paraiméadar measctha mar N, acmhainn uasta an mhodúil chuimhne. Cé gur N é, níl sé éasca teacht ar na cinn is fearr le haghaidh tacair shonraí éagsúla; ar an drochuair, níl Cuimhne AE íogair do shocrú N. Go leor, is féidir N mór a chur i bhfeidhm go maith ar gach tacar sonraí.

2.2.2. Aird le haghaidh Seoladh Cuimhne. I gCuimhne AE, tá an modúl cuimhne deartha chun gnáth-mhodh bunaidh M den chéim oiliúna a thaifeadadh go mion. (Sainmhínítear modúl cuimhne mar ábhar cuimhne inseolta, z⌢ , agus ríomhann a scéim seoltaí w, an aird-ualú, bunaithe ar an gcosúlacht idir an cheist agus an mhír chuimhne. Mar a thaispeántar i bhFíor 1, is féidir gach meáchan a ríomh tríd an oibríocht softmax wi:

áit a seasann d(·, ·) don tomhas cosúlachta. (an sainmhíníonn páipéar é mar chosúlacht cósine:

Díreach cosúil le cothromóidí (4)–(6), aisghabhann an modúl cuimhne an mhír chuimhne is cosúla chun léiriú z a fháil. Mar gheall ar theorannú méid na cuimhne agus tearc-theicneolaíocht seoltaí, ní féidir ach líon beag míreanna cuimhne inmheánacha a dhíriú ag an am céanna. (dá bhrí sin, is féidir iompar éifeachtach an mhodúil chuimhne a mhíniú mar seo a leanas. Sa chéim oiliúna, tá an díchódóir i gCuimhne AE teoranta d'úsáid a bhaint as fíorbheagán míreanna cuimhne in-athchóirithe, rud a éilíonn úsáid éifeachtach míreanna cuimhne. (dá bhrí sin , le linn an athchruthaithe, is gá iallach a chur ar an modúl cuimhne an modh fréamhshamhail is ionadaí a thaifeadadh sa ghnáth-mhodh ionchuir Sa chéim tástála, i bhfianaise an chuimhne oilte, ní féidir ach an gnáth-mhodh sa chuimhne a aisghabháil le haghaidh athchruthú. (dá bhrí sin , is féidir samplaí gnáth a athchruthú níos fearr Os a choinne sin, is féidir luach códaithe an ionchuir neamhghnácha a chur in ionad an ghnáthphatrún aisghabhála, rud a fhágann go bhfuil earráid athdhéanta mór sa sampla neamhghnácha.

2.3. Traenáil. Tugtar tacar sonraí ina bhfuil samplaí xi? ?TI�1, cuir in iúl do xi′ samplaí atógála xi sna samplaí oiliúna; déantar an t-athfhachtóiriú íosta mar seo a leanas:

(Úsáidtear norm l2 chun an earráid atógála a thomhas; seasann wi′ do mheáchain aghaidh na cuimhne gach sampla xi. Chun tearcúlacht w′ a chur chun cinn tuilleadh, laghdaítear an gnáthrialú gann le linn na hoiliúna. Ag cur san áireamh go bhfuil gach w′ neamh-dhiúltach agus ‖w′‖1 � 1, cruthaítear fadhb leas iomlán a bhaint mar seo a leanas:

Trí fheidhm chaillteanais chothromóid (7) agus chothromóid (8) a chomhcheangal, is é seo a leanas feidhm oibiachtúil Cuimhne AE:

anseo tá an hyperparameter sa phróiseas oiliúna. Go praiticiúil, tá sé socraithe go 0.0002. Sa phróiseas oiliúna, déantar an chuimhne a nuashonrú trí dhroim-iomaíocht agus shliocht grádáin. I backpropagation, ní féidir ach grádán na míre cuimhne le meáchan seoltaí nonzero a bheith nonzero.

2.4. Scrúdú. Tar éis don mhúnla a bheith oilte, is féidir earráid athdhéanta na picteilíní ag suíomh (x, y) fráma fiacla t a ríomh leis an gcothromóid seo a leanas:

áit a seasann h(·) don mhionsamhail iomlán. I bhfianaise earráid atógála leibhéal picteilín an deichiú fráma, is féidir earráid atógála fhráma iomlán na híomhá a fháil trí e(t) � a choimriú. (x,y)e(x, y, t). (ga, is féidir scór aimhrialtacht an fhráma a ríomh mar seo a leanas:

Ar deireadh, is féidir tairseach a shocrú chun a chinneadh an bhfuil sé neamhghnácha mar s(t) > θ.

3. Turgnamh

Sa chuid seo, déantar éifeachtacht an mhodha atá beartaithe a fhíorú agus a chur i gcomparáid le modhanna eile atá ann cheana. Faoi láthair, úsáidtear dhá thacar sonraí poiblí le haghaidh turgnaimh, ie, tacar sonraí Avenue agus tacar sonraí ShanghaiTech. (úsáidtear an limistéar creat-leibhéil faoin gcuar (AUC) agus EER mar tháscairí meastóireachta cainníochtúla.

3.1. Ullmhúchán. (Úsáideann tacar sonraí Avenue ceamara seasta le taifeach 640 × 360 picteilín chun gníomhaíochtaí sráide Ollscoil Chathair Hong Cong a ghabháil agus a thaifeadadh. gearrthóga físe tástála ina bhfuil imeachtaí neamhghnácha agus iompar daonna Tá 30652 fráma san iomlán aige, agus tá nótaí spriocleibhéil ag gach físeán tástála, is é sin, úsáidtear limistéar dronuilleogach chun aimhrialtachtaí a mharcáil in áiteanna spásúla Is é an gnáth-iompraíocht ná daoine ag siúl ar an cosán, cé go bhfuil imeachtaí neamhghnácha ina ndaoine ag caitheamh bruscair / ag caitheamh rudaí amach, ag fánaíocht, ag siúl i dtreo an cheamara, ag siúl ar an bhféar, agus ag caitheamh rudaí amach. radhairc le coinníollacha soilsithe éagsúla agus uillinneacha ceamara, lena n-áirítear 330 físeán oiliúna agus 107 físeán tástála san iomlán. (Tá 130 teagmhas neamhghnácha san iomlán sa tacar tástála le nótaí ar leibhéal picteilín. (Tá 316154 fráma san iomlán ar an tacar sonraí iomlán, lena n-áirítear 274515 fráma sa tacar oiliúna, 42883 fráma sa tacar tástála, agus 17090 fráma sa fhráma neamhghnácha. (Is é 480 × 856 taifeach gach fráma físeáin. tástáil ar ardán le hardán crua-earraí NVIDIA GTX1080TI agus cuimhne físeán 8 GB, agus is é an timpeallacht bogearraí PyTorch agus Python 3.6. úsáidtear cuar saintréithe oibriúcháin glacadóra (ROC) mar an t-innéacs meastóireachta Le haghaidh táscairí meastóireachta leibhéal fráma, má tá picteilín amháin ar a laghad de fhráma marcáilte mar neamhghnácha, meastar go bhfuil an fráma neamhghnácha.Agus ríomhtar an leibhéal fráma AUC trí chomparáid a dhéanamh idir an fráma. toradh braite fráma-leibhéal le leibhéal fráma an fhíor-lipéid.

Príomh-Chomhábhair Cheimiceacha de Cistanche deserticola

Cliceáil anseo chun táirgí Cistanche a fheiceáil

【Iarr tuilleadh】 Ríomhphost:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

3.2. Socrú Turgnamhach. Déantar na frámaí físeáin go léir a choigeartú go 227 × 227 agus ansin iad a thiontú go híomhánna liathscála. (e is é 227 × 227 × 5 ionchur an mhúnla, is é sin, úsáidtear 5 fhráma as a chéile mar ionchur an mhúnla. ​​Tar éis gach ciseal dronnach, tá ciseal normalú bhaisc agus ciseal ex-luaite ReLU. (e díchódóir). folaíonn sé 4 shraith deconvolution. (Tá an modúl aird socraithe chun ligean do gach teascán cuimhne gné a thaifeadadh ar picteilín sa ghnéléarscáil, a fhreagraíonn do fho-réigiún den mhír físeáin. (dá bhrí sin, is é 10 an modúl cuimhne. 00 maitrís 64 × 64. (Roghnaítear Adam optimizer chun paraiméadair iomlán na samhla a bharrfheabhsú. (Is é 0.0001 an ráta foghlama tosaigh, agus is é 1000 líon na n-athruithe). (e paraiméadar móiminteam é ρ1 � 0.9 agus ρ2 � 0.999, agus is é 128 méid an bhaisc.

3.3. Torthaí Turgnamhach. D'fhonn éifeachtacht an mhodha atá beartaithe a chruthú maidir le haimhrialtacht físe a bhrath, déanann an páipéar seo é a chur i gcomparáid le 12 mhodhanna éagsúla atá ann cheana féin. Ina measc, is modhanna atá bunaithe ar ghnéithe láimhe iad MPPCA (hibrideach de phríomh-anailíseoir comhpháirte probabilistic) móide SF (cumhacht shóisialta) [17] agus MDT (hibrideach d’uigeacht dhinimiciúil) [18]; Is modhanna bunaithe ar uath-ionchódóirí iad Conv-AE [8], 3D Conv [19], Stacked RNN [20] agus ConvLSTM-AE [21], MemNormality [10], agus ClusterAE [22]; Tá AbnormalGAN [7] agus Pred plus Recon [23] bunaithe ar mhodh na líonraí sáraíochta a ghiniúint. Taispeánann Tábla 1 na torthaí braite aimhrialtachta físe leibhéal fráma ar mhodhanna éagsúla. Is féidir a thabhairt faoi deara, i dtorthaí an dá thacar sonraí, go bhfuil an modh atá bunaithe ar AE de ghnáth níos fearr ná an modh atá bunaithe ar ghnéithe lámhdhéanta, agus faightear AUCanna ardleibhéil fráma. (is é sin toisc go mbaintear gnéithe lámhdhéanta de ghnáth bunaithe ar thascanna eile, agus dá bhrí sin d'fhéadfadh siad a bheith suboptimal. Sna modhanna AE-bhunaithe, tá ConvLSTM-AE níos fearr ná Conv-AE toisc gur féidir leis an gcéad cheann acu faisnéis ama a ghabháil níos fearr. Ina theannta sin, is féidir leis freisin a thabhairt faoi deara go bhfeidhmíonn modhanna atá bunaithe ar GAN níos fearr ná an chuid is mó de mhodhanna bunlíne Ar deireadh, éiríonn leis an modh Memory AE atá molta sa pháipéar seo AUC 85.7 faoin gcéad ar leibhéal an fhráma ar thacar sonraí Avenue, atá 0.6 faoin gcéad chun tosaigh ar an Pred is fearr feidhmíochta móide Recon [23]; cé gur bhain an modh atá molta sa pháipéar seo AUC leibhéal fráma 75.3 faoin gcéad ar thacar sonraí ShanghaiTech, atá 2 faoin gcéad chun tosaigh ar mhodhanna eile i AUC leibhéal fráma, agus tá an éifeacht an-soiléir. Úsáideann an modh atá beartaithe bunaithe ar Cuimhne AE blúirí cuimhne, ar féidir leo aimhrialtachtaí a athchruthú go maith agus roinnt earráidí randamacha a thabhairt isteach.Ina theannta sin, i gcomparáid le tacar sonraí Avenue, tá AUC leibhéal fráma níos airde bainte amach ag tacar sonraí ShanghaiTech (go príomha toisc go bhfuil tacar sonraí ShanghaiTech ann. radhairc iolracha agus teagmhais neamhghnácha nach bhfuil le feiceáil i dtacar sonraí eile roimhe seo, rud atá níos casta. D'fhonn torthaí braite radharc aonair ar thacar sonraí ShanghaiTech a fhíorú, úsáidtear teascán físe aon-radharc le haghaidh oiliúna agus tástála. Úsáidtear 83 mír (25 faoin gcéad ) le haghaidh oiliúna agus úsáidtear 34 mhír (32 faoin gcéad ) le haghaidh tástála, ag baint amach 86.3 faoin gcéad AUC ag leibhéal an fhráma, a bhfuil leibhéal cosúil leis an leibhéal i dtacar sonraí Avenue bainte amach aige. Go hachomair, is féidir an modh Cuimhne AE atá beartaithe a chur i bhfeidhm go solúbtha ar chineálacha éagsúla sonraí. Trí úsáid a bhaint as earráidí atógála amháin, is féidir leis an modh atá beartaithe torthaí níos fearr a fháil leis an eolas is lú sonraí. D'fhonn feidhmíocht an mhodúil cuimhne réamhshainithe a mheas maidir le himeachtaí físe neamhghnácha a bhrath, is é an chéad chéim eile ná méid an mhodúil chuimhne a athrú agus turgnaimh a dhéanamh ar an tacar sonraí Ascaill, agus tugtar luachanna AUC an leibhéal fráma i dTábla 2. Is féidir a fháil amach gur féidir leis an modh Cuimhne AE na torthaí is fearr a tháirgeadh go láidir i bhfianaise méid modúl cuimhne sách mór. Nuair a bhíonn méid an mhodúil cuimhne níos mó ná 1000, tá an tionchar ar an toradh braite beag, ach beidh úsáid méid modúl cuimhne níos mó mar thoradh ar ríomh níos mó, mar sin roghnaítear méid an mhodúil cuimhne mar 1000. Figiúirí Léiríonn 2(a) agus 2(b), faoi seach, roinnt torthaí braite i dtacar sonraí Avenue agus tacar sonraí ShanghaiTech. (e Tábla 1: Comparáid a dhéanamh leis na modhanna úrscothacha i dtéarmaí AUC.

níos fearr ná an modh atá bunaithe ar ghnéithe lámhdhéanta, agus faightear AUCanna leibhéal fráma níos airde. (is é sin toisc go mbaintear gnéithe lámhdhéanta de ghnáth bunaithe ar thascanna eile, agus dá bhrí sin d'fhéadfadh siad a bheith suboptimal. Sna modhanna AE-bhunaithe, tá ConvLSTM-AE níos fearr ná Conv-AE toisc gur féidir leis an gcéad cheann acu faisnéis ama a ghabháil níos fearr. Ina theannta sin, is féidir leis freisin a thabhairt faoi deara go bhfeidhmíonn modhanna atá bunaithe ar GAN níos fearr ná an chuid is mó de mhodhanna bunlíne.Ar deireadh, éiríonn leis an modh Memory AE atá molta sa pháipéar seo 85.7 faoin gcéad AUC leibhéal fráma ar thacar sonraí Avenue, atá 0.6 faoin gcéad chun tosaigh ar an modh Pred plus Recon [23] is fearr feidhmíochta; cé gur bhain an modh atá molta sa pháipéar seo AUC leibhéal fráma 75.3 faoin gcéad ar thacar sonraí ShanghaiTech, atá 2 faoin gcéad chun tosaigh ar mhodhanna eile i AUC leibhéal fráma, agus tá an éifeacht an-soiléir. . (go príomha toisc go n-úsáideann an modh atá beartaithe bunaithe ar Cuimhne AE blúirí cuimhne, ar féidir leo aimhrialtachtaí a athchruthú go maith agus roinnt earráidí randamacha a thabhairt isteach. Ina theannta sin, i gcomparáid le tacar sonraí Avenue, tá AUC leibhéal fráma níos airde bainte amach ag tacar sonraí ShanghaiTech. go príomha toisc go bhfuil radhairc iolracha agus imeachtaí neamhghnácha nach bhfuil le feiceáil i dtacar sonraí eile roimhe seo i tacar sonraí ShanghaiTech, rud atá níos casta. D'fhonn torthaí braite radharc aonair ar thacar sonraí ShanghaiTech a fhíorú, úsáidtear teascán físe aon-radharc le haghaidh oiliúna agus tástála. Úsáidtear 83 mír (25 faoin gcéad ) le haghaidh oiliúna agus úsáidtear 34 mír (32 faoin gcéad ) le haghaidh tástála, ag baint amach 86.3 faoin gcéad AUC leibhéal fráma, a bhfuil leibhéal cosúil leis an leibhéal i tacar sonraí Avenue bainte amach aige. Go hachomair, is féidir an modh Cuimhne AE atá beartaithe a chur i bhfeidhm go solúbtha ar chineálacha éagsúla sonraí. Trí úsáid a bhaint as earráidí atógála amháin, is féidir leis an modh atá beartaithe torthaí níos fearr a fháil leis an eolas is lú sonraí. D'fhonn feidhmíocht an mhodúil cuimhne réamhshainithe a mheas maidir le himeachtaí físe neamhghnácha a bhrath, is é an chéad chéim eile ná méid an mhodúil chuimhne a athrú agus turgnaimh a dhéanamh ar an tacar sonraí Ascaill, agus tugtar luachanna AUC an leibhéal fráma i dTábla 2. Is féidir a fháil amach gur féidir leis an modh Cuimhne AE na torthaí is fearr a tháirgeadh go láidir i bhfianaise méid modúl cuimhne sách mór. Nuair a bhíonn méid an mhodúil cuimhne níos mó ná 1000, tá an tionchar ar an toradh braite beag, ach beidh úsáid méid modúl cuimhne níos mó mar thoradh ar ríomh níos mó, mar sin roghnaítear méid an mhodúil cuimhne mar 1000. Figiúirí Léiríonn 2(a) agus 2(b), faoi seach, roinnt torthaí braite i dtacar sonraí Avenue agus tacar sonraí ShanghaiTech. (Is gnáthfhrámaí iad frámaí sa bhosca glas ó ghearrthóga físe rialta, agus is frámaí neamhghnácha ó ghearrthóga físe neamhghnácha iad na frámaí sa bhosca dearg. Is féidir le roinnt imeachtaí neamhghnácha, mar shampla confetti a thit, marcaíocht ar rothar ar an taobhlíne, bualadh, etc. a bhrath.

Tábla 2: (e tionchar líon na méid cuimhne ar thorthaí turgnamhacha an tacar sonraí Avenue (leibhéal fráma AUC/ faoin gcéad ).

Fíor 2: Samplaí de na torthaí braite. (a) Sampla ó thacar sonraí Avenue. (b) Sampla ó thacar sonraí ShanghaiTech.

4. Conclúid

(an bhfuil sé beartaithe ag páipéar Cuimhne AE chun feabhas a chur ar fheidhmíocht braite aimhrialtachta sonraí móra i bhfíseáin. Nuair a thugtar ionchur, úsáideann an modh Cuimhne AE atá beartaithe ionchódóir ar dtús chun léiriú códaithe a fháil agus ansin úsáideann sé an cód mar cheist chun na cinn is ábhartha a aisghabháil patrúin sa mhodúl cuimhne le haghaidh athchruthú Ós rud é go bhfuil an modúl cuimhne oilte chun gnáthphatrúin tipiciúil a thaifeadadh, is féidir leis an Cuimhne AE atá beartaithe gnáthshamplaí a athchruthú go maith agus an earráid athdhéanta neamhghnácha a mhéadú, rud a neartaíonn ról an earráid athdhéanta mar chaighdeán braite neamhghnácha. Cruthaíonn turgnaimh ar dhá thacar sonraí solúbthacht agus éifeachtúlacht an mhodha atá beartaithe Sa todhchaí, déanfaimid staidéar ar úsáid meáchain aghaidh a thabhairt chun aimhrialtacht a bhrath Ag cur san áireamh go bhfuil an modúl cuimhne molta uilíoch agus nach bhfuil baint aige le struchtúr an ionchódóra agus díchódóra, déanfar é a chomhtháthú i múnla bunúsach níos casta agus úsáidfear é i dturgnaimh ar thacair sonraí níos dúshlánaí.

Forlíonadh cistanche in aice liom-Feabhsú Cuimhne

Tagairtí

[1] F. Dong, Y. Zhang, agus X. Nie, "Líonra naimhdeach giniúna dé-idirdhealaithe chun aimhrialtacht físe a bhrath," IEEE Access, vol. 8, lgh 88170–88176, 2020.

[2] K. Doshi agus Y. Yilmaz, "Brath aimhrialtacht sheicheamhach aon lámhaigh i bhfíseáin faireachais," in Imeachtaí an CVPRW, lgh 934-935, Seattle, WA, SAM, Meitheamh 2020.

[3] K. Doshi agus Y. Yilmaz, "Foghlaim leanúnach do bhrath aimhrialtacht i bhfíseáin faireachais," in Imeachtaí an CVPRW, lgh. 254-255, Seattle, WA, SAM, Meitheamh 2020.

[4] K. Jayanta, "Dutta and bonny Banerjee. Brath ar líne ar imeachtaí mínormálta ag baint úsáide as fad códaithe incriminteach," in Proceedings of the AAAI, lgh. 3755–3761, Austin, Texas, SAM, Eanáir 2015.

[5] Y. Feng, Y. Yuan, agus X. Lu, "Foghlaim samhlacha imeacht domhain do bhrath aimhrialtacht slua," Neurocomputing, vol. 219, lgh. 548–556, 2017.

[6] D. Gong, L. Liu, V. Le et al., “Gnáthacht á mheabhrú chun aimhrialtacht a bhrath: uathchódóir domhain méadaithe cuimhne chun aimhrialtacht a bhrath gan mhaoirseacht,” in Imeachtaí an ICCV, lgh. 1705–1714, Seoul, An Chóiré, Deireadh Fómhair 2019.

[7] M. Ravanbakhsh, M. Nabi, E. Sangineto, L. Marcenaro, C. Regazzoni, agus N. Sebe, "Brath imeacht neamhghnácha i físeáin ag baint úsáide as líonta sáraíochta giniúna," in Imeachtaí Chomhdháil Idirnáisiúnta IEEE ar Phróiseáil Íomhá , lgh. 1577–1581, Béising, an tSín, Meán Fómhair 2017.

[8] M. Hasan, J. Choi, J. Neumann, AK Roy-Chowdhury, agus LS Davis, "Foghlaim rialtacht ama i seichimh físeáin," in Imeachtaí Chomhdháil IEEE ar Fhís Ríomhaire agus Aithint Patrún, lgh. 733– 742, Las Vegas, NV, SAM, Meitheamh 2016.

[9] W. Liu, W. Luo, D. Lian, agus S. Gao, "Fráma a thuar amach anseo do bhrath aimhrialtacht – bunlíne nua," in Imeachtaí Chomhdháil IEEE ar Fhís Ríomhaireachta agus Aithint Patrún, lgh. 6536– 6545, Salt Lake City, UT, USA, Meitheamh 2018.

[10] H. Park, J. Noh, agus B. Ham, "Foghlaim normáltacht cuimhne-treoraithe chun aimhrialtacht a bhrath," in Imeachtaí Chomhdháil IEEE ar Fhís Ríomhaireachta agus Aithint Patrún, lgh. 14 372–{{ 3}}, Seattle, WA, SAM, Meitheamh 2020.

[11]             MZ Zaheer, J.-h. Laoi, M. Astrid, agus S.-I. Lee, "Is ór é Old: ag ath-shainmhíniú paraidím oiliúna aicmitheora aon-aicme foghlamtha sáraíochta," in Imeachtaí Chomhdháil IEEE ar Fhís Ríomhaireachta agus Aithint Patrún, lgh. 14 183–214 193, Seattle, WA, Stáit Aontaithe Mheiriceá, Meitheamh 2020.

[12] X. Zhu, J. Liu, J. Wang, Y. Fang, agus H. Lu, "Brath aimhrialtacht sa radharc plódaithe trí shamhaltú cuma agus dinimic comhpháirteach," in Imeachtaí Chomhdháil Idirnáisiúnta IEEE ar Phróiseáil Íomhá,, lgh 2705–2708, Melbourne, VIC, An Astráil, Meán Fómhair 2013.

[13] RVHM Colque, CAC J’unior, agus WR Schwartz, “Histeagraim de chomhthreoshuíomh optúil agus méid chun teagmhais aimhrialta i bhfíseáin a bhrath,” in Imeachtaí Chomhdháil Sibgrapi ar Ghrafaic, Patrúin, agus Íomhánna, lgh. 126–133 , Salvador, Bahia, an Bhrasaíl, Lúnasa 2015.

[14]             Bo Zong, S. Qi, RM Martin, et al., “Samhail mheascán Gaussach uath-ionchódú domhain le haghaidh aimhrialtacht a bhrath gan mhaoirseacht,” in Imeachtaí na Comhdhála Idirnáisiúnta ar Ionadaíochtaí Foghlama, Vancouver, Ceanada, Aibreán 2018.

[15] M. Sabokrou, M. Fayyaz, M. Fathy, Z. Moayed, agus R. Klette, "Deep-aimhrialtacht: líonra go hiomlán convolutional neural do bhrath go tapa aimhrialtacht i radhairc plódaithe," Fís Ríomhaireachta agus Íomhá Tuiscint, vol. 172, lgh. 88–97, 2018.

[16] C. Li, Z. Han, Q. Ye, agus J. Jiao, "Brath iompraíochta neamhghnácha amhairc bunaithe ar anailís atógáil tanaí trajectory," Neurocomputing, vol. 119, uimh. 7, lgh 94–100, 2013.

[17] V. Mahadevan, W. Li, V. Bhalodia, agus N. Vasconcelos, "Brath aimhrialtacht i radhairc plódaithe," in Imeachtaí Chomhdháil IEEE ar Fhís Ríomhaireachta agus Aithint Patrún (CVPR), lgh. 1975-1981, IEEE, San Francisco, CA, SAM, Meitheamh 2010.

[18] W. Li, V. Mahadevan, agus N. Vasconcelos, "Brath aimhrialtacht agus logánú i radhairc plódaithe," IEEE Idirbhearta ar Anailís Patrún agus Meaisín Faisnéise, vol. 36, lgh 18–32, 2014.

[19]             Y. Zhao, B. Deng, C. Shen, Y. Liu, H. Lu, agus X.-S. Hua, "Spatio-Temporal AutoEncoder le haghaidh aimhrialtacht físe a bhrath," in Imeachtaí Chomhdháil Idirnáisiúnta ACM ar Ilmheáin (ACM MM), lgh 1933-1941, ACM, Mountain View California USA, Deireadh Fómhair 2017.

[20]               W. Luo, L. Wen, agus S. Gao, "Athchuairt ar bhrath aimhrialtacht atá bunaithe ar chódú tearc i gcreat RNN cruachta," in Imeachtaí Chomhdháil Idirnáisiúnta IEEE ar Fhís Ríomhaireachta (ICCV), an Veinéis, an Iodáil, Deireadh Fómhair 2017.

[21] W. Luo, L. Wen, agus S. Gao, "Ag cuimhneamh ar an stair le LSTM convolutional do bhrath aimhrialtacht," in Imeachtaí Chomhdháil Idirnáisiúnta IEEE ar Ilmheáin agus Expo (ICME), lgh. 439–444, IEEE, Hong Cong, Iúil 2017.

[22] Y. Chang, Z. Tu, W. Xie, agus J. Yuan, "Uath-ionchódóir domhain tiomnaithe le cnuasach chun aimhrialtacht físe a bhrath," in Imeachtaí na Comhdhála Eorpaí ar Fhís Ríomhaire (ECCV), lgh. 329–345, Springer, Glaschú, An Ríocht Aontaithe, Lúnasa 2020.

[23] L. Wen, W. Luo, D. Lian, agus S. Gao, "Fráma a thuar amach anseo do bhrath aimhrialtacht - bunlíne nua," in Imeachtaí Chomhdháil IEEE ar Fhís Ríomhaireachta agus Aithint Patrún (CVPR), pp .6536–6545, IEEE, Salt Lake City, UT, USA, Meitheamh 2018.

[24] M. Song, "Amharc réimse meán ar an tírdhreach de dhá-ciseal líonraí neural," Imeachtaí Acadamh Náisiúnta na nEolaíochtaí, vol. 115, uimh. 33, lch. E7665–E7671, 2018.

[25] B. Ding agus G. Wen, "Srianta teimhneacht Aicmitheoir subspace is gaire d'aithint sprice ar íomhánna SAR," Journal of Amharc-chumarsáid agus Léiriú Íomhá, vol. 52, lgh. 170–176, 2018.

[26] T. Wang agus H. Snoussi, "Teagmhais amhairc neamhghnácha a bhrath trí histeagram treoshuímh optúil domhanda," IEEE Idirbhearta ar Fhóiréinsic Faisnéise agus Slándáil, vol. 9, uimh. 6, lgh. 988–998, 2014.