Нейронные сети для распознавания образов. Нейронные сети для распознавания образов
 Скачать 22.24 Kb.
|
|
«Нейронные сети для распознавания образов» Сверточная НС имеет специальную архитектуру, которая позволяет ей максимально эффективно распознавать образы. Сама идея СНС основывается на чередовании сверточных и субдискретизирующих слоев (pooling), а структура является однонаправленной. СНС получила свое название от операции свертки, которая предполагает, что каждый фрагмент изображения будет умножен на ядро свертки поэлементно, при этом полученный результат должен суммироваться и записаться в похожую позицию выходного изображения. Такая архитектура обеспечивает инвариантность распознавания относительно сдвига объекта, постепенно укрупняя «окно», на которое «смотрит» свёртка, выявляя всё более и более крупные структуры и паттерны в изображении. Нейронная сеть для распознавания изображений – это, пожалуй, наиболее популярный способ применения НС. При этом вне зависимости от особенностей решаемых задач, она работает по этапам, наиболее важные среди которых рассмотрим ниже.  В качестве распознаваемых образов могут выступать самые разные объекты, включая изображения, рукописный или печатный текст, звуки и многое другое. При обучении сети ей предлагаются различные образцы с меткой того, к какому именно типу их можно отнести. В качестве образца применяется вектор значений признаков, а совокупность признаков в этих условиях должна позволить однозначно определить, с каким классом образов имеет дело НС. Важно при обучении научить сеть определять не только достаточное количество и значения признаков, чтобы выдавать хорошую точность на новых изображениях, но и не переобучиться, то есть, излишне не «подстроиться» под обучающую выборку из изображений. После завершения правильного обучения НС должна уметь определять образы (тех же классов), с которыми она не имела дела в процессе обучения. Важно учитывать, что исходные данные для нейросети должны быть однозначны и непротиворечивы, чтобы не возникали ситуации, когда НС будет выдавать высокие вероятности принадлежности одного объекта к нескольким классам. В целом создание нейронной сети для распознавания изображений включает в себя: Сбор и подготовку данных Выбор топологии Подбор характеристик Подбор параметров обучения Обучение Проверку качества обучения Корректировку Вербализацию Архитектуры нейросетей Выделяются несколько различных архитектур искусственных НС, в том числе нейросетей для распознавания изображений: 1 Многослойный перцептрон Строится из 3+ слоев и применяет нелинейную функцию активации для классификации данных. 2 Сверточная Содержит свёрточные слои. 3 Рекурсивная Глубокая НС, которая формируется применением одних наборов весов рекурсивно над структурой для скалярных или структурированных предсказаний. 4 Рекуррентная Вариант НС, где связи между нейронами представляют собой направленные циклы. 5 СДКП Сеть долгой краткосрочной памяти – вид рекуррентной НС, позволяющий максимально точно моделировать временные последовательности, а также характерные для них зависимости в долгосрочной перспективе. 6 Sequence-to-sequence модель Состоит из 2х рекуррентных НС, которые выполняют функции кодировщика и декодера. 7 Неглубокие Также пользуются большой популярностью, к примеру, группы неглубоких двухслойных моделей могут использоваться для представления слоев векторами. |