مرور جامع شبکه‌های عصبی کانولوشنی با تمرکز بر معماری‌ها، روش‌های یادگیری، کاربردها، چالش‌ها و روندهای نوظهور

مرور جامع شبکه‌های عصبی کانولوشنی با تمرکز بر معماری‌ها، روش‌های یادگیری، کاربردها، چالش‌ها و روندهای نوظهور

وحید کاملی1 هادی گرایلو2

1) ¹ دانشکده مهندسی برق، دانشگاه صنعتی شاهرود، شاهرود، ایران - پست الکترونیکی:
2) ² دانشکده مهندسی برق، دانشگاه صنعتی شاهرود، شاهرود، ایران - پست الکترونیکی:

کد IOI مقاله : AAHF-ACZGKB
محل انتشار : کنفرانس ملی فناوری های معماری و هنر، شهر هوشمند، صنایع نرم وخلاق و فرهنگ فناوری (icact.ir)
چکیده :
    شبکه‌های عصبی کانولوشنی طی سه دهه از مدل‌هایی متکی بر اتصال محلی و اشتراک وزن به خانواده‌ای متنوع از معماری‌های عمیق، باقیمانده، چندشاخه، سبک‌وزن، تطبیقی و کرنل‌بزرگ تبدیل شده‌اند. با وجود گسترش سریع ترنسفورمرهای بینایی، شواهد جدید نشان می‌دهد که پژوهش در CNNها متوقف نشده و مسیر آن به سوی بازطراحی کانولوشن، توسعه میدان دید، کاهش هزینه واقعی اجرا، سازگاری با سخت‌افزار و ترکیب مدل‌سازی محلی و سراسری حرکت کرده است. این مقاله با رویکرد مرور ساختاریافته انتقادی، تحول معماری‌ها، راهبردهای یادگیری و بهینه‌سازی، حوزه‌های کاربرد، چالش‌های قابلیت اعتماد و روندهای نوظهور CNN را بررسی می‌کند. سنتز شواهد نشان می‌دهد که تکامل CNNها را نمی‌توان صرفاً با افزایش عمق توضیح داد؛ مسئله طراحی به‌ترتیب از افزایش ظرفیت به کنترل جریان اطلاعات، بهره‌وری، مقیاس‌بندی، سازگاری هندسی، میدان دید وسیع و همگرایی با ایده‌های Transformer گسترش یافته است. همچنین، نرمال‌سازی، افزایش داده، یادگیری خودنظارتی، هرس و کوانتیزه‌سازی نشان می‌دهند که عملکرد نهایی نتیجه تعامل معماری، داده، رژیم آموزش و محیط استقرار است. در مقابل، اتکای بیش از حد به Accuracy و FLOPs، ارزیابی محدود استحکام و کالیبراسیون، و کمبود آزمون‌های چندسخت‌افزاری از شکاف‌های مهم ادبیات محسوب می‌شوند. بر پایه این سنتز، چارچوبی چهارمحوری شامل داده و یادگیری، دامنه بازنمایی، کارایی استقرار و قابلیت اعتماد برای ارزیابی CNNهای نسل جدید پیشنهاد می‌شود.

کلمات کلیدی : شبکه عصبی کانولوشنی یادگیری عمیق معماری سبک‌وزن کانولوشن کرنل‌بزرگ یادگیری خودنظارتی ترنسفورمر بینایی