กรุงเทพฯ, วันที่ 8 พฤศจิกายน 2566 — WiMi Hologram Cloud Inc. (NASDAQ: WIMI) (“WiMi” หรือ “บริษัท”) ผู้นําระดับโลกในเทคโนโลยี Hologram Augmented Reality (“AR”) ได้ประกาศว่าได้นําเทคนิค transfer learning มาใช้ในการจัดหมวดหมู่ภาพ และได้สร้างโมเดลการผสมผสานสําหรับการจัดหมวดหมู่ภาพเพื่อปรับปรุงประสิทธิภาพการจัดหมวดหมู่บนฐานข้อมูลตัวอย่างขนาดเล็กโดยใช้คุณลักษณะการแทนที่ของโมเดลที่ฝึกแล้วบนฐานข้อมูลขนาดใหญ่.
Deep transfer learning สามารถนําโมเดลการเรียนรู้ลึกที่ฝึกแล้วบนฐานข้อมูลขนาดใหญ่มาใช้กับงานใหม่ ในการจัดหมวดหมู่ภาพ deep transfer learning สามารถเร่งกระบวนการฝึกโมเดลและปรับปรุงประสิทธิภาพการจัดหมวดหมู่โดยการถ่ายโอนบางหรือทั้งหมดของโครงสร้างเครือข่ายของโมเดลที่ฝึกแล้วไปยังโมเดลใหม่ ลักษณะของภาพจะถูกสกัดโดยโมเดลเครือข่ายประสาทเชิงลึกที่ฝึกแล้ว จัดหมวดหมู่โดยโมเดลการจัดหมวดหมู่ และโมเดลทั้งสองจะถูกเชื่อมต่อกัน และทั้งหมดจะถูกฝึกด้วยวิธีการฝึกปลายทางและโดยอัลกอริทึมการถ่ายกลับ วิธีนี้สามารถใช้ประโยชน์จากลักษณะที่มีอยู่เดิมเพื่อปรับปรุงความแม่นยําและประสิทธิภาพของการจัดหมวดหมู่ภาพ.
โมเดลการผสมผสานที่ใช้ในโมเดลการจัดหมวดหมู่ภาพบนพื้นฐานของ transfer learning ลึกของ WiMi ซึ่งผสมโมเดลเรียนรู้ลึกหลายโมเดลที่ฝึกแล้วและรวมพวกมันโดย transfer learning เพื่อปรับปรุงความแม่นยําของการจัดหมวดหมู่ภาพ องค์ประกอบหลักของโมเดลนี้ประกอบด้วย:
การเลือกโมเดลพื้นฐาน: ในการออกแบบโมเดลการผสมผสานบางโมเดลเรียนรู้ลึกพื้นฐานต้องถูกเลือกก่อนเป็นโมเดลตัวเลือก โมเดลเหล่านี้เป็นโมเดลที่ฝึกแล้วบนฐานข้อมูลภาพขนาดใหญ่ และมีประสิทธิภาพดีและมีขอบเขตการประยุกต์ใช้กว้างสําหรับงานจัดหมวดหมู่ภาพ
การสกัดลักษณะ: เพื่อที่จะสามารถผสมโมเดลพื้นฐานได้ จะต้องเพิ่มการสกัดลักษณะให้กับแต่ละโมเดล บทบาทของการสกัดลักษณะนี้คือการแปลงภาพนําเข้าเป็นเวกเตอร์ลักษณะขนาดสูงเพื่อให้ผู้จัดหมวดหมู่สามารถจัดหมวดหมู่ได้ การสกัดลักษณะนี้ใช้เครือข่ายประสาทคอมพิวเตอร์ (CNN) สําหรับการสกัดลักษณะ
การผสม: หลังจากการสกัดลักษณะ เวกเตอร์ลักษณะที่สกัดได้จากโมเดลพื้นฐานหลายเวกเตอร์จะได้รับ สําหรับการผสมพวกมัน การผสมนี้มีวัตถุประสงค์เพื่อผสมเวกเตอร์ลักษณะหลายเวกเตอร์เข้าด้วยกันเป็นเวกเตอร์ลักษณะที่แสดงออกได้ดีขึ้นเพื่อปรับปรุงการจัดหมวดหมู่
ผู้จัดหมวดหมู่: ถัดจากนั้น เวกเตอร์ลักษณะที่ผสมแล้วจะได้รับ สําหรับการจัดหมวดหมู่สุดท้าย ผู้จัดหมวดหมู่จะต้องถูกเพิ่ม โดยผ่านทางซึ่งเวกเตอร์ลักษณะที่ผสมแล้วจะถูกแปลงเป็นหมวดหมู่ต่างๆ ดังนั้นการจัดหมวดหมู่ภาพจึงสําเร็จ
การผสมคุณลักษณะของโมเดลพื้นฐานหลายโมเดลสามารถปรับปรุงความแม่นยําของการจัดหมวดหมู่ภาพได้ พร้อมทั้งโมเดลการจัดหมวดหมู่ภาพบนพื้นฐานของ transfer learning ลึกของ WiMi ยังมีความยืดหยุ่นบางส่วน โดยโมเดลพื้นฐานและวิธีการผสมที่แตกต่างกันสามารถถูกเลือกตามสถา