WildlifeDatasets: یک ابزار منبع باز برای شناسایی مجدد حیوانات: مطالعات ابلیشن

5. مطالعات فرسایشی

این بخش مجموعه‌ای از مطالعات فرسایش را برای تأیید تجربی انتخاب‌های طراحی مربوط به تقطیر مدل (یعنی انتخاب روش‌ها، معماری‌ها و فراپارامترهای مناسب) در حین ساخت استخراج‌کننده ویژگی MegaDescriptor، یعنی اولین مدل پایه برای شناسایی مجدد حیوانات، ارائه می‌کند. علاوه بر این، ما ارزیابی عملکرد کیفی و کمی را با مقایسه MegaDescriptor جدید پیشنهادی در یک محیط صفر شات با روش‌های دیگر، از جمله SIFT، Superpoint، ImageNet، CLIP و DINOv2 ارائه می‌کنیم.

5.1. اجزای از دست دادن و ستون فقرات

برای تعیین تابع کاهش یادگیری متریک بهینه و پیکربندی معماری ستون فقرات، ما یک مطالعه فرسایشی انجام دادیم که عملکرد (دقت متوسط) از دست دادن ArcFace و Triplet را با یک ترانسفورماتور (Swin-B) یا ستون فقرات مبتنی بر CNN (EfficientNet-B3) مقایسه کردیم. ) در تمام مجموعه داده های شناسایی مجدد موجود. در بیشتر موارد، ترکیب Swin-B با ArcFace عملکرد رقابتی یا بهتری را نسبت به سایر انواع حفظ می‌کند. به طور کلی، ستون فقرات ArcFace و ترانسفورماتور (Swin-B) بهتر از ستون فقرات Triplet و CNN (EfficientNet-B3) عمل کردند. چندک های اول و سبیل های بالا نشان می دهد که از دست دادن Triplet در مقایسه با ArcFace حتی با تنظیم صحیح عملکرد ضعیفی دارد.

Source link