স্কুইজ-এবং-উত্তেজনা নেটওয়ার্ক
স্কুইজ-এন্ড-এক্সিটেশন (SE) ব্লকগুলি একটি কনভোল্যুশনাল নেটওয়ার্ককে বৈশ্বিক প্রেক্ষাপটের উপর ভিত্তি করে তাদের পুনরায় ক্যালিব্রেট করে প্রতিটি বৈশিষ্ট্য চ্যানেলকে কতটা ওজন করতে হবে তা শিখতে দেয়।
ওভারভিউ
এই সস্তা মনোযোগের মতো প্রক্রিয়াটি 2017 ইমেজনেট প্রতিযোগিতায় জিতেছে এবং একটি আদর্শ CNN বিল্ডিং ব্লক হয়ে উঠেছে।
গভীর ডুব
2017 সালে Hu, Shen এবং Sun দ্বারা প্রবর্তিত, SE ব্লক একটি CNN-এ সুস্পষ্ট চ্যানেল মনোযোগ যোগ করে। এটি দুটি ধাপে কাজ করে। 'স্কুইজ' প্রতিটি বৈশিষ্ট্য মানচিত্র (উচ্চতা x প্রস্থ) একটি একক সংখ্যায় ভেঙে ফেলার জন্য বিশ্বব্যাপী গড় পুলিং ব্যবহার করে, প্রতি চ্যানেলে একটি বর্ণনাকারী তৈরি করে যা এর বিশ্বব্যাপী সক্রিয়করণের সারসংক্ষেপ করে। 'উত্তেজনা' সেই ভেক্টরটিকে দুটি ছোট সম্পূর্ণ সংযুক্ত স্তরের মাধ্যমে একটি বাধা (একটি ReLU তারপর একটি সিগমায়েড) দিয়ে প্রতি চ্যানেলের ওজন 0 এবং 1 এর মধ্যে তৈরি করে। এই ওজনগুলি মূল বৈশিষ্ট্য মানচিত্রগুলিকে গুণিত করে, দরকারী চ্যানেলগুলিকে প্রশস্ত করে এবং অপ্রাসঙ্গিকগুলিকে স্যাঁতসেঁতে করে। SENet ILSVRC 2017 শ্রেণীবদ্ধকরণ চ্যালেঞ্জ জিতেছে, শীর্ষ-5 ত্রুটি প্রায় 2.25% কমিয়েছে। ব্লকটি মাত্র কয়েক শতাংশ অতিরিক্ত প্যারামিটার এবং গণনা যোগ করে, এবং ন্যূনতম পরিবর্তনের সাথে ResNet, Inception বা MobileNet-এ স্লট যোগ করে।
প্রযুক্তিগত অন্তর্দৃষ্টি
স্কুইজ একটি C-দৈর্ঘ্য ভেক্টর z উৎপন্ন করে যেখানে z_c হল চ্যানেল c-এর স্থানিক গড়। উত্তেজনা s = sigmoid(W2 * ReLU(W1 * z)) গণনা করে, যেখানে W1 একটি হ্রাস অনুপাত r (সাধারণত 16) দ্বারা মাত্রা হ্রাস করে এবং W2 এটিকে পুনরুদ্ধার করে, যোগ করা খরচকে ছোট রেখে। আউটপুট হল ইনপুট বৈশিষ্ট্য ম্যাপ চ্যানেল অনুসারে s দ্বারা স্কেল করা। এটি স্ব-গ্যাটিং এর একটি রূপ: নেটওয়ার্ক বিশ্বব্যাপী পরিসংখ্যান থেকে সিদ্ধান্ত নেয়, এই নির্দিষ্ট ইনপুটের জন্য কোন চ্যানেলগুলি গুরুত্বপূর্ণ।
কৌশলগত প্রভাব
খরচ ও বাজেট
আর্কিটেকচারের সিদ্ধান্তগুলি বছরের পর বছর ধরে কর্মক্ষমতা এবং অপারেটিং খরচ চালায়।
সুস্পষ্ট সিদ্ধান্ত
কারিগরি শিক্ষা দলগুলোকে সঠিক স্ট্যাক বেছে নিতে সাহায্য করে, শুধু নতুনটি নয়।
মান নিয়ন্ত্রণ
ভালো ইঞ্জিনিয়ারিং পছন্দ উৎপাদনে নির্ভরযোগ্যতার ঘটনা কমিয়ে দেয়।
স্কুইজ-এন্ড-উত্তেজনা নেটওয়ার্কের ভবিষ্যত
SE ব্লকগুলি অভ্যন্তরীণ দক্ষ আর্কিটেকচারে থাকে: EfficientNet এবং MobileNetV3 তাদের বিল্ডিং ব্লকগুলিতে এম্বেড করে। ধারণাটি মনোযোগের মডিউলের একটি পরিবার তৈরি করে, CBAM স্থানিক মনোযোগ যোগ করে, ECA-Net একটি সস্তা 1D কনভোলিউশন দিয়ে বাধা প্রতিস্থাপন করে, এবং এই হালকা ওজনের পুনরুদ্ধার কৌশলগুলি এখন সনাক্তকরণ, বিভাজন এবং এমনকি কিছু দৃষ্টি-ট্রান্সফরমার হাইব্রিডগুলিতে উপস্থিত হয়। চ্যানেলের মনোযোগ কম খরচের নির্ভুলতা লিভার থাকবে যেখানে কনভল্যুশন অব্যাহত থাকবে আশা করুন।
বাস্তব-বিশ্ব বাস্তবায়ন
SENet একটি ResNeXt ব্যাকবোনে SE ব্লক যোগ করে ImageNet ILSVRC 2017 শ্রেণীবিভাগের চ্যালেঞ্জ জিতেছে
EfficientNet এবং MobileNetV3 মোবাইল ডিভাইসে নির্ভুলতা বাড়াতে প্রতিটি ব্লকে SE মডিউল এম্বেড করে
অবজেক্ট ডিটেক্টর এবং সেগমেন্টেশন মডেল তথ্যমূলক বৈশিষ্ট্য চ্যানেলের উপর জোর দিতে SE ব্লক সন্নিবেশ করান
ECA-Net এবং CBAM সস্তা বা স্থানিক-সচেতন চ্যানেল রিক্যালিব্রেশন সহ SE ধারণাকে প্রসারিত করে
ঝুঁকি এবং প্রহরী
একটি বেঞ্চমার্ক অপ্টিমাইজ করা বৃহত্তর সিস্টেম দুর্বলতা আড়াল করতে পারে।
অবকাঠামো এবং রক্ষণাবেক্ষণের খরচ প্রায়ই অবমূল্যায়ন করা হয়।
সিস্টেমগুলি আরও জটিল হওয়ার সাথে সাথে সুরক্ষা এবং পর্যবেক্ষণযোগ্যতার ফাঁক বাড়তে পারে।
বাস্তবায়ন রোডম্যাপ
বাস্তবায়নের আগে বিলম্ব, গুণমান এবং খরচের লক্ষ্য নির্ধারণ করুন।
বাস্তবসম্মত লোড এবং ডেটা অবস্থার অধীনে বেঞ্চমার্ক।
ত্রুটি, প্রবাহ, এবং ব্যবহারকারীর প্রভাবের জন্য যন্ত্র পর্যবেক্ষণ।
স্কেল করার আগে রোলব্যাক এবং ঘটনার প্রতিক্রিয়া পাথ প্রস্তুত করুন।
অন্বেষণ চালিয়ে যান
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Squeeze-and-Excitation Networks quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
পরবর্তী গাইড
ক্যাপসুল নেটওয়ার্ক
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
স্কুইজ-এন্ড-এক্সাইটেশন নেটওয়ার্ক কি?
স্কুইজ-এন্ড-এক্সিটেশন (SE) ব্লকগুলি একটি কনভোল্যুশনাল নেটওয়ার্ককে বৈশ্বিক প্রেক্ষাপটের উপর ভিত্তি করে তাদের পুনরায় ক্যালিব্রেট করে প্রতিটি বৈশিষ্ট্য চ্যানেলকে কতটা ওজন করতে হবে তা শিখতে দেয়। এই সস্তা মনোযোগ-সদৃশ প্রক্রিয়াটি 2017 ইমেজনেট প্রতিযোগিতায় জিতেছে এবং একটি আদর্শ CNN বিল্ডিং ব্লক হয়ে উঠেছে।
একটি SE ব্লকে 'নিচু' পদক্ষেপ কী করে?
স্কুইজ গ্লোবাল এভারেজ পুলিং প্রযোজ্য, প্রতিটি ফিচার ম্যাপকে প্রতি চ্যানেলে একটি একক বর্ণনাকারীতে ভেঙে দেয়।
'উত্তেজনা' ধাপ আউটপুট কি?
উত্তেজনা একটি সিগমায়েডে শেষ হওয়া দুটি FC স্তরের মধ্য দিয়ে চেপে যাওয়া ভেক্টরকে অতিক্রম করে, যা প্রতি-চ্যানেল স্কেলিং ওজন দেয়।
মূল বৈশিষ্ট্য মানচিত্রে উত্তেজনা ওজন কিভাবে প্রয়োগ করা হয়?
প্রতিটি চ্যানেলের বৈশিষ্ট্য মানচিত্রটি তার শেখা ওজন দ্বারা গুণিত হয়, সেই চ্যানেলটিকে প্রশস্ত করে বা দমন করে।
কেন উত্তেজনা একটি হ্রাস অনুপাত (প্রায়শই 16) সহ একটি বাধা ব্যবহার করে?
বটলনেক সঙ্কুচিত হয়ে চ্যানেলের মাত্রা পুনরুদ্ধার করে, তাই SE ব্লকের খরচ মাত্র কয়েক শতাংশ অতিরিক্ত।
2017 সালে সেনেট কোন প্রতিযোগিতায় জয়লাভ করেছে?
SENet ILSVRC 2017 ইমেজ ক্লাসিফিকেশন চ্যালেঞ্জ জিতেছে, টপ-5 ত্রুটি মোটামুটি 2.25% এ ঠেলে দিয়েছে।