تصنيف أنواع الفراشات
خط أنابيب متعدد النماذج من 4 مراحل لتصنيف 75 نوعاً. CNN أساسي → TL مدرب مسبقاً → بنية هجينة متوازية/تسلسلية → رؤوس مساعدة متعددة الخسائر. Grad-CAM يؤكد التركيز على أنماط الأجنحة.
5,199 تدريب / 1,300 تحقق، 75 نوعاً من الفراشات
4 مراحل: CNN أساسي → TL مدرب مسبقاً → هجين متوازي → رؤوس مساعدة متعددة الخسائر
استراتيجية تدريب تقدمي من 4 مراحل لتصنيف دقيق لـ 75 نوعاً من الفراشات.
مجموعة البيانات
- ◂5,199 صورة تدريب + 1,300 تحقق، 75 نوعاً
- ◂خلفيات طبيعية، إضاءة متنوعة، انسداد جزئي
- ◂تضخيم: دوران ±30°، قلب، تكبير 0.2، سطوع/تباين ±20%
التدريب التقدمي من 4 مراحل
| المرحلة | البنية | الميزة الرئيسية |
|---|---|---|
| 1 | CNN أساسي | كتل conv قياسية، خط أساس التضخيم |
| 2 | شبكات مدربة مسبقاً | VGG16/ResNet مجمد → ضبط دقيق |
| 3 | هجين متوازي/تسلسلي | فروع متعددة المقاييس مدموجة |
| 4 | خسارة متعددة مساعدة | رؤوس مساعدة في الطبقات المتوسطة |
التدريب متعدد الخسائر تُوفّر الرؤوس المساعدة إشارات تدرج أعمق في الشبكة، مما يقلل من تلاشي التدرج ويجبر الميزات المتوسطة على أن تكون ذات معنى دلالي.
البنية الهجينة تلتقط الفروع المتوازية ميزات بأحجام مجالات استقبال مختلفة في آنٍ واحد — حيوي لأن أنماط الأجنحة موجودة على مقاييس دقيقة (عروق) وخشنة (بقع ألوان) معاً.
قابلية التفسير
- ◂Grad-CAM: النموذج يركز على أنماط الأجنحة، لا على الخلفية
- ◂t-SNE: تجميع واضح بين الأنواع رغم التشابه البصري
تحدي التصنيف الدقيق صعب بسبب: (1) تباين كبير داخل الفئة، (2) تشابه كبير بين الفئات، (3) خلفيات طبيعية. الاستراتيجية متعددة المقاييس + متعددة الخسائر تعالج الثلاثة مباشرة.