Преглед
Остатъчните мрежи (ResNets) са дълбоки невронни мрежи, които добавят „пропускащи връзки“, позволявайки на слоевете да научат малки корекции вместо пълни трансформации. Този прост трик направи възможно обучението на мрежи на стотици слоеве в дълбочина, предизвиквайки скок в точността на разпознаване на изображения.
Остатъчните мрежи принадлежат към работни потоци за компютърно зрение, които интерпретират или генерират визуални медии за анализ, операции и творчество.
Дълбоко гмуркане
Преди ResNets, подреждането на много слоеве парадоксално правеше мрежите да се представят по-лошо, дори при тренировъчни данни, проблем, наречен влошаване. През 2015 г. изследователите на Microsoft Kaiming He и колегите му въведоха остатъчния блок: вместо да поискат стек от слоеве да произведе изход H(x) директно, те го оставиха да научи остатък F(x) = H(x) - x, след което добавиха оригиналния вход x обратно чрез пряк път. Ако даден слой е ненужен, той може просто да се научи да не прави нищо (F(x) = 0). ResNet-152 спечели състезанието ImageNet за 2015 г. с топ 5 грешка от около 3,6 процента, надминавайки оценките на човешко ниво, а архитектурата му се превърна в основополагащ гръбнак за откриване, сегментиране и медицинско изобразяване.
Техническа информация
Връзката за прескачане превръща работата на всеки блок в y = F(x) + x. По време на обратното разпространение градиентът преминава през прекия път за идентичност непроменен, така че не може да изчезне почти до нула дори в стотици слоеве. Това поддържа дълбоките стакове годни за обучение. Преките пътища за самоличност не добавят допълнителни параметри; само когато входните и изходните размери се различават, малка проекция (конволюция 1x1) коригира размерите преди добавянето.
Овладяване на остатъчни мрежи
Остатъчните мрежи (ResNets) са дълбоки невронни мрежи, които добавят „пропускащи връзки“, позволявайки на слоевете да научат малки корекции вместо пълни трансформации. Този прост трик направи възможно обучението на мрежи на стотици слоеве в дълбочина, предизвиквайки скок в точността на разпознаване на изображения. Остатъчните мрежи принадлежат към работни потоци за компютърно зрение, които интерпретират или генерират визуални медии за анализ, операции и творчество. За да изградите дълбоко разбиране, третирайте остатъчните мрежи като оперативен модел, а не като отделна функция: дефинирайте желаните резултати, изяснете предположенията и отделете това, което системата може да направи надеждно, от това, което все още изисква експертна преценка.
На практика силните екипи, използващи остатъчни мрежи, балансират точността с оперативните реалности като качество на данните, вариация на осветлението и последователност на етикетите. Те документират изрични критерии за успех, тестват срещу реалистични данни и работни потоци и повтарят въз основа на наблюдавани модели на неуспех, а не на еднократни победи в бенчмарка. Това е мястото, където теоретичното разбиране се превръща в трайна способност за продукти, политики и операции.
Visual AI може да автоматизира задачи за проверка, откриване и маркиране в мащаб. В същото време правата върху изображението и съгласието могат да се превърнат в правни рискове, ако произходът е неясен. Най-устойчивият подход е да се комбинира скоростта на експериментиране с дисциплината на управление: стартирайте пилотни проекти, събирайте доказателства, публикувайте регистрационни файлове за решения и непрекъснато актуализирайте предпазните мерки, докато поведението на модела, очакванията на потребителите и регулаторните изисквания се развиват.
Стратегическо въздействие
Visual AI може да автоматизира задачи за проверка, откриване и маркиране в мащаб.
Visual AI може да автоматизира задачи за проверка, откриване и маркиране в мащаб. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Творческите екипи могат да създават прототипи на концепции по-бързо с по-малко ръчни ревизии.
Творческите екипи могат да създават прототипи на концепции по-бързо с по-малко ръчни ревизии. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Операциите могат да използват изображения и видео сигнали, които преди са били трудни за обработка.
Операциите могат да използват изображения и видео сигнали, които преди са били трудни за обработка. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Внедряване в реалния свят
Класификационни опори на ImageNet (ResNet-50, ResNet-101), използвани като предварително обучени екстрактори на функции за трансферно обучение
Откриване на тумори и лезии в рентгенови и патологични изображения с помощта на базирани на ResNet енкодери
Рамки за откриване на обекти и сегментиране на екземпляри като Faster R-CNN и Mask R-CNN, които използват ResNet backbone
Тръбопроводи за възприемане на самостоятелно управление, които класифицират пешеходци, превозни средства и знаци от рамки на камера
Модели на изпълнение
Остатъчни мрежи на практика
Класификационни опори на ImageNet (ResNet-50, ResNet-101), използвани като предварително обучени екстрактори на функции за трансферно обучение.
Класификационни опори на ImageNet (ResNet-50, ResNet-101), използвани като предварително обучени екстрактори на функции за обучение по трансфер. Екипите обикновено получават по-добри резултати, когато дефинират прагове за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Остатъчни мрежи на практика
Откриване на тумори и лезии в рентгенови и патологични изображения с помощта на базирани на ResNet енкодери.
Откриване на тумори и лезии в радиологични и патологични изображения с помощта на базирани на ResNet енкодери Екипите обикновено получават по-добри резултати, когато определят праговете на качеството предварително, поддържат човешки път за ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Остатъчни мрежи на практика
Рамки за откриване на обекти и сегментиране на екземпляри като Faster R-CNN и Mask R-CNN, които използват ResNet backbone.
Рамки за откриване на обекти и сегментиране на екземпляри като Faster R-CNN и Mask R-CNN, които използват гръбнака на ResNet. Екипите обикновено получават по-добри резултати, когато дефинират прагове за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Остатъчни мрежи на практика
Тръбопроводи за възприемане на самостоятелно шофиране, които класифицират пешеходци, превозни средства и знаци от рамки на камера.
Тръбопроводи за възприемане на самостоятелно шофиране, които класифицират пешеходци, превозни средства и знаци от рамки на камери Екипите обикновено получават по-добри резултати, когато определят прагове за качество отпред, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Рискове и предпазни огради
Правата върху изображението и съгласието могат да се превърнат в правни рискове, ако произходът е неясен.
Производителността на модела може да варира в зависимост от осветлението, демографските данни и средата.
Фалшивите положителни резултати могат да останат незабелязани, освен ако не се наблюдават праговете на достоверност.
Пътна карта за изпълнение
Определете критерии за приемане за прецизност, извикване и разходи за грешки.
Определете критерии за приемане за прецизност, извикване и разходи за грешки. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Тествайте с данни, които съответстват на реалните производствени условия.
Тествайте с данни, които съответстват на реалните производствени условия. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Добавете преглед от човек за прогнози с ниска степен на сигурност или с голямо въздействие.
Добавете преглед от човек за прогнози с ниска степен на сигурност или с голямо въздействие. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Проследявайте дрейфа на модела и проверявайте отново след промени в камерата или набора от данни.
Проследявайте дрейфа на модела и проверявайте отново след промени в камерата или набора от данни. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.