انتقال سبک برای افزایش داده‌های آموزشی شبکه‌های کانولوشنی در شناسایی شعلۀ آتش

وجود داده‌های آموزشی کافی، امری اساسی در همۀ سیستم‌های یادگیری با نظارت و منجمله در حوزۀ یادگیری عمیق و بینایی ماشین است. یکی از روش‌های استفاده‌شده برای افزایش تعداد نمونه‌های آموزشی در یادگیری عمیق، شیوۀ «داده‌افزایی» است. این شیوه، متضمن تبدیل‌های دوران، انتقال و برش روی تصاویر آموزشی است که به افزایش تعداد نمونه‌های آموزشیِ نسبتاً متفاوت از داده‌های اولیه منجر می‌شود. در این نوشتار از الگوریتم «انتقال سَبْک» مبتنی بر شبکه‌های مولد رقابتی برای افزایش تعداد نمونه‌های آموزشی استفاده شده است. هدف در انتقال سبک، اِعمال ظاهر یا سبک بصری یک تصویر روی تصویری دیگر است که جنبۀ هنری آن بیشتر دیده شده است. در این نوشتار از این شیوه‌ برای تولید نمونه‌های جدید آموزشی استفاده شده و به‌منزلۀ یک کاربرد، روش پیشنهادی بر روی مسئلۀ شناسایی شعلۀ آتش اعمال شده است. با این فرض که تصاویر آموزشی ثبت‌شده در طی شب، کمتر از نمونه‌های اخذشده در روزند، با اعمال یک روش انتقال سبک، تصاویر روز به تصاویر شب، تبدیل و به‌عنوان دادۀ آموزشی به مجموعه دادگان اضافه می‌شوند. نتایج آزمایشات انجام‌شده، کارایی شیوۀ پیشنهادی را نشان داده است. شیوۀ پیشنهادی به‌صورت میانگین، 7 درصد نرخ تشخیص درست را نسبت به استفاده‌نکردن از آن افزایش داده است.

style transfer for data augmentation in convolutional neural networks applied to fire detection

adequate training data is essential in all supervised learning methods, including deep learning and machine vision. one of the approaches used to increase the number of training examples in deep learning is the &data augmentation& method. this method involves rotation transformation, transitions, and cropping on training images, which leads to an increase in the number of samples, which are different from training data. in this paper, the &style transfer& algorithm is used to increase the number of training samples. the goal in style transfer is to apply the appearance or visual style of one image to another image. in this paper, this method is used to produce new training examples and as an application, the proposed method is applied to the problem of fire detection. assuming that the training images recorded during the night are less than the samples taken during the day, by applying a style transfer method, the images of the day are converted into night images and added to the data set as training data. the test results show the efficiency of the proposed data augmentation method. on average, the correct detection rate has increased by 7%.