DalšíDalší průvodce
Pseudooznačování a autoškolení
Technický
Technický PRŮVODCE
BYOL (Bootstrap Your Own Latent) se učí užitečné reprezentace obrázků bez jakýchkoli štítků a překvapivě bez negativních příkladů.
Poslechněte si tento návodAI-vyprávěný · ~2 min
It showed that self-supervised learning need not rely on pushing apart dissimilar images, sidestepping the need for huge batches of negatives.
Většina raných metod s vlastním dohledem byla kontrastní: stáhly dva rozšířené pohledy na stejný obrázek k sobě, zatímco různé obrázky od sebe oddalovaly, což vyžadovalo mnoho negativních vzorků, aby se zabránilo zhroucení (kde síť poskytuje stejný vektor pro všechno). BYOL od DeepMind v roce 2020 zcela odstranil negativy. Využívá dvě sítě: online síť a cílovou síť. Dva rozšířené pohledy na jeden obrázek procházejí dvěma sítěmi; online síť přidává predikční hlavu a je trénována tak, aby předpovídala reprezentaci druhého pohledu v cílové síti. Podstatné je, že váhy cílové sítě nejsou trénovány gradientovým klesáním. Místo toho jsou exponenciálním klouzavým průměrem (EMA) online vah. Tato asymetrie plus cíl EMA zabraňuje obávanému triviálnímu kolapsu kontrastních metod, které odpovídají nebo překonávají kontrastní základní linie na ImageNet.
Předtrénování páteře vize na milionech neoznačených fotografií a následné doladění na malém označeném souboru lékařských zobrazovacích dat, kde jsou odborné anotace vzácné.
Naučte se funkce vnímání robotů z nezpracovaných kamerových toků bez ručního označování, což snižuje náklady na výuku manipulačních úkolů.
Vytváření systémů načítání a deduplikace obrázků pomocí vložení BYOL, které seskupuje vizuálně podobné obrázky bez jakýchkoli štítků tříd.
Inicializace modelů satelitních nebo leteckých snímků v rozsáhlých neoznačených archivech před doladěním pro klasifikaci využití půdy nebo odlesňování.
Nekontrastivní myšlenky nyní ukotvují velkou část vize pod dohledem. SimSiam dále snížil BYOL, což ukazuje, že cíl EMA není striktně vyžadován, pokud je dodržen stop-gradient, což prohlubuje pochopení toho, proč je zabráněno kolapsu. Očekávejte, že se tyto předtrénovací recepty bez štítků budou i nadále slučovat s modelováním maskovaných obrázků a multimodálním školením a rozšíří se na video, audio, lékařské zobrazování a robotiku, kde jsou štítky vzácné nebo drahé, často jako fáze předtrénování před lehkým doladěním pod dohledem.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
BYOL (Bootstrap Your Own Latent) se učí užitečné reprezentace obrázků bez jakýchkoli štítků a překvapivě bez negativních příkladů. Ukázalo se, že samokontrolované učení se nemusí spoléhat na oddělování nepodobných obrázků, čímž se vyhýbá potřebě obrovských dávek negativů.
The BYOL paper highlights learning representations without negative pairs.
BYOL trains the online branch to predict the target representation across two views.
The paper describes updating the target with a slow-moving average.
The BYOL method uses asymmetry and a stop-gradient as parts of its design.
The paper learns by predicting one view’s target representation from another.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
Pseudooznačování a autoškolení
Technický