Mukautuva ja yleistettävä syväoppiminen visuaalisille tunnistusjärjestelmille

Useimpien syväoppimiseen perustuvien visuaalisten tunnistusjärjestelmien on vaikea sopeutua ja yleistyä tilanteissa, joissa on vain vähän merkittyä dataa tai kohdataan uusia alueita. Tämä opinnäytetyö vastaa haasteisiin keskittymällä kahteen pääalueeseen: objektien ja syväväärennösten tunnistukseen.

Objektien tunnistuksessa työ tarkastelee sopeutumiskykyä ja yleistettävyyttä kahden pääkontribuution kautta. Ensin esitellään puoliohjattu muutaman otoksen tunnistuskehys, joka hyödyntää itseohjattua oppimista parantaakseen mallin luotettavuutta ja sopeutumista rajallisella merkityllä datalla. Toiseksi rakennetaan vertailuarvo toimialueiden väliselle muutaman otoksen tunnistukselle, joka tarjoaa arviointialustan ja näkemyksiä mallien yleistettävyydestä eri toimialueilla sekä käsittelee toimialueiden siirtymäongelmaa reaalimaailman sovelluksissa.

Syväväärennösten tunnistuksessa työ tutkii sopeutumista esimerkkivapaan inkrementaalisen oppimisen kehyksen avulla, joka mahdollistaa mallien jatkuvan mukautumisen uusiin väärennöstekniikoihin ilman aiempien esimerkkien säilyttämistä. Yleistettävyyden osalta ehdotetaan huomio-ohjattua epäjohdonmukaisuusoppimista, joka tehostaa hienovaraisten epäjohdonmukaisuuksien havaitsemista väärennetyissä kuvissa. Lisäksi tutkitaan näkökielimallien hyödyntämistä yleistyssuorituskyvyn parantamiseksi ja osoitetaan esikoulutettujen perusmallien potentiaali syväväärennösten tunnistuksessa.

Ehdotetut menetelmät saavuttavat vahvan suorituskyvyn eri vertailuarvoissa ja todellisissa skenaarioissa, vastaten tehokkaasti sopeutumisen ja yleistettävyyden haasteisiin. Edistämällä objektien ja syväväärennösten tunnistusta tämä väitöskirja tarjoaa merkittäviä näkemyksiä ja työkaluja konenäön ja tekoälyn alalle, luoden perustan vankemmille ja monipuolisemmille tunnistusjärjestelmille.