انتقال سبك براي افزايش داده‌هاي آموزشي شبكه‌هاي كانولوشني در شناسايي شعلۀ آتش

Style Transfer for Data Augmentation in Convolutional Neural Networks Applied to Fire Detection

وجود داده‌هاي آموزشي كافي، امري اساسي در همۀ سيستم‌هاي يادگيري با نظارت و منجمله در حوزۀ يادگيري عميق و بينايي ماشين است. يكي از روش‌هاي استفاده‌شده براي افزايش تعداد نمونه‌هاي آموزشي در يادگيري عميق، شيوۀ «داده‌افزايي» است. اين شيوه، متضمن تبديل‌هاي دوران، انتقال و برش روي تصاوير آموزشي است كه به افزايش تعداد نمونه‌هاي آموزشيِ نسبتاً متفاوت از داده‌هاي اوليه منجر مي‌شود. در اين نوشتار از الگوريتم «انتقال سَبْك» مبتني بر شبكه‌هاي مولد رقابتي براي افزايش تعداد نمونه‌هاي آموزشي استفاده شده است. هدف در انتقال سبك، اِعمال ظاهر يا سبك بصري يك تصوير روي تصويري ديگر است كه جنبۀ هنري آن بيشتر ديده شده است. در اين نوشتار از اين شيوه‌ براي توليد نمونه‌هاي جديد آموزشي استفاده شده و به‌منزلۀ يك كاربرد، روش پيشنهادي بر روي مسئلۀ شناسايي شعلۀ آتش اعمال شده است. با اين فرض كه تصاوير آموزشي ثبت‌شده در طي شب، كمتر از نمونه‌هاي اخذشده در روزند، با اعمال يك روش انتقال سبك، تصاوير روز به تصاوير شب، تبديل و به‌عنوان دادۀ آموزشي به مجموعه دادگان اضافه مي‌شوند. نتايج آزمايشات انجام‌شده، كارايي شيوۀ پيشنهادي را نشان داده است. شيوۀ پيشنهادي به‌صورت ميانگين، 7 درصد نرخ تشخيص درست را نسبت به استفاده‌نكردن از آن افزايش داده است.

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%.