الملخص

تستكشف هذه الورقة إمكانات تعلم نقل الأنماط Style Transfer Learning (STL) لتعزيز الجاذبية البصرية وتجربة المستخدم لموقع الجامعة الوطنية الخاصة (WPU). نقترح نهجا يستخدم STL لدمج هوية المميزات الفريدة والخاصة للجامعة بسلاسة في تصميم موقعها الإلكتروني، مما يخلق حضورا أكثر تأثيرا ولا ينسى على الإنترنت. نناقش فوائد تعلم نقل الأنماط في تحسين الموقع الإلكتروني، ونحدد ألية عمل لاستخدامها والتحقق من فعاليتها.

الكلمات المفتاحية: تعلم نقل الأنماط، الشبكات العصبية الصناعية، الشبكة العصبونية الالتفافية، الذكاء الصناعي

مقدمة

تعد مواقع الجامعات منصات اتصال مهمة، تخدم مختلف أصحاب المصلحة بما في ذلك الطلاب المحتملين وأعضاء هيئة التدريس والباحثين والخريجين وعامة الناس. يجب ألا يوفر موقع الويب الفعال معلومات ووظائف واضحة فحسب، بل يجب أن ينقل أيضا هوية الجامعة وقيمها. ومع ذلك، تفتقر العديد من مواقع الجامعات إلى الجاذبية البصرية والاتساق، وتفشل في خلق انطباع قوي لا ينسى.

غالبا ما تواجه مواقع الجامعات الحالية التحديات التالية:

• عدم وجود تناسق بصري: يمكن أن يؤدي عدم تناسق التصميم عبر الصفحات المختلفة إلى إنشاء تجربة مستخدم غير مكتملة.

• اندماج محدود لهوية الجامعة: قد لا تنقل العناصر المرئية بشكل فعال المميزات الفريدة للجامعة وهويتها.

• تصميم قديم: يمكن أن تفشل التصميمات الثابتة وغير الملهمة في جذب انتباه المستخدمين.

الدراسات السابقة

برز تعلم نقل الأنماط (STL) كتقنية قوية لنقل الأساليب الفنية من صورة إلى أخرى. وقد أثبتت الأبحاث فعاليته في مختلف التطبيقات، بما في ذلك تحرير الصور، والتعبير الفني والبصري، واسترجاع المعلومات القائمة على الصور ([1][2]).

بحثت عدة دراسات في استخدام تعلم نقل الأنماط STL في تصميم المواقع الشبكية. اقترح لي وآخرون [3] طريقة لإنشاء تخطيطات وخرائط لمواقع الويب باستخدام أنماط مرئية محددة visual styles. كما قام ليو وآخرون [4] في استكشاف استخدام تعلم نقل الأنماط لتخصيص السمات themes للمواقع الإلكترونية لكل مستخدم على حدا. ومع ذلك، فقد ركزت هذه الدراسات على جماليات موقع الويب العامة بدلا من دمج هوية محددة للجامعة في الموقع.

نماذج التعلم بنقل الأنماط (STL) هي التكنولوجيا الأساسية وراء النهج المقترح لتعزيز وتحسين المواقع الإلكتروني للجامعة. يتم تدريب هذه النماذج على مجموعات بيانات كبيرة من الصور لأجل تعلم التقاط الجوهر النمطي لصورة معينة (“النمط Style”) ونقلها إلى صورة أخرى (“المحتوى Content”) [1]).

وقد وُضعت عدة نماذج لنقل الأنماط بدرجات متفاوتة من القوة والضعف. فيما يلي ثلاثة نماذج بارزة تم النظر فيها لهذا البحث هي:

1. Gatys et al [1] : يستخدم هذا النموذج الرائد بنية الشبكة العصبية التلافيفية (CNN) لاستخراج ونقل معلومات النمط بين الصور. على الرغم من أنه يوفر توازنا جيدا بين السرعة والجودة [1]، مما يجعله مناسبا لتطبيقات العالم الحقيقي، إلا أنه قد يعاني من الأنماط المعقدة وقد لا يحافظ بشكل كامل على تفاصيل صورة المحتوى.

2. Johnson et al [2] : يعتمد هذا النموذج على Gatys et al. من خلال دمج خسائر الإدراك perceptual losses، مما يسمح بتحكم أكثر دقة في عملية نقل النمط. ينتج عن هذا دقة أعلى والاحتفاظ بالتفاصيل الدقيقة في صورة المحتوى. ومع ذلك، قد يتطلب الأمر أوقات تدريب أطول وموارد حسابية أكثر مقارنة بالنماذج السابقة والأبسط.

3. Inception-v3 [5] : في حين أن نماذج Gatys et al. وJohnson et al. هي خيارات شائعة لنقل النمط، فإن Inception-v3 تقدم نقاط قوتها الفريدة وفوائدها المحتملة:

Inception-v3 عبارة عن شبكة عصبية تلافيفية عميقة Convolutional Neural Networks (CNN) تم تدريبها مسبقا على مجموعة بيانات ImageNet لتصنيف الصور. تتميز هندستها المعمارية بوحدات متعددة، تجمع بين المرشحات التلافيفية بأحجام مختلفة لالتقاط ميزات بصرية متنوعة وبمقاييس مختلفة. مما يجعلها مناسبة تماما لمهام نقل النمط.

نماذج نقل النمط: البنية والتطبيق

يعتمد اختيار نموذج STL الأمثل لتحسين موقع الجامعة على عوامل مختلفة مثل المستوى المطلوب من نقل الأنماط والموارد الحسابية المتوفرة وعناصر الهوية المحددة التي سيتم دمجها. وبالإضافة إلى ذلك، يمكن بحث استكشاف نماذج أخرى قائمة من نماذج تعلم نقل الأنماط وإمكانية تكييفها أو وضع نهج هجين لتحقيق أفضل النتائج.

باستخدام نموذج STL، يمكننا نقل الأنماط الفنية للوحة شهيرة متعلقة بالهندسة مثلاً، مثل “الموناليزا” لليوناردو دافنشي، إلى صورة المحتوى. يخلق هذا النقل صورة مذهلة بصريا ولا تنسى، ولها في الوقت نفسه القدرة على نقل الرسالة المطلوبة بينما تجذب جمهورا أوسع. يمكن أن يؤدي هذا الاستخدام الإبداعي لنمط الصورة إلى تعزيز الجاذبية المرئية للموقع بشكل كبير وجذب انتباه الطلاب.

يعتمد نموذج Gatys et al. (انظر الشكل 1) على شبكة عصبية VGG-19 [6] ، والتي تستخدم بشكل شائع للتعرف على الأشياء المرئية

الشكل (1): VGG 19 CNN