विज़ुअल एआई गाइड
स्थानिक ट्रांसफार्मर नेटवर्क
स्थानिक ट्रांसफार्मर नेटवर्क (एसटीएन) सीखने योग्य मॉड्यूल हैं जो एक तंत्रिका नेटवर्क को सक्रिय रूप से अपने इनपुट को घुमाने, घुमाने, क्रॉप करने या फिर से स्केल करने देते हैं ताकि जो मायने रखता है उस पर ध्यान केंद्रित किया जा सके।
इस गाइड को सुनेंएआई-नैरेटेड · ~2 min
इस पृष्ठ पर2 मिनट लाल
सिंहावलोकन
They give CNNs a built-in sense of spatial attention and invariance.
गहरा गोता
मानक कनवल्शनल नेटवर्क स्थिति, पैमाने और रोटेशन में परिवर्तन के लिए केवल कमजोर रूप से अपरिवर्तनीय होते हैं, थोड़ी सहनशीलता के लिए पूलिंग पर निर्भर होते हैं। जैडरबर्ग एट अल द्वारा प्रस्तुत स्थानिक ट्रांसफार्मर नेटवर्क। 2015 में, एक अलग मॉड्यूल सम्मिलित करके इसे ठीक करें जो फीचर मानचित्रों पर एक स्पष्ट ज्यामितीय परिवर्तन करता है। मॉड्यूल में तीन भाग होते हैं: एक स्थानीयकरण नेटवर्क जो परिवर्तन मापदंडों की भविष्यवाणी करता है, एक ग्रिड जनरेटर जो उन मापदंडों से एक नमूना ग्रिड बनाता है, और एक नमूना जो ग्रिड बिंदुओं पर इनपुट को प्रक्षेपित करता है। क्योंकि हर चरण अलग-अलग होता है, पूरे ट्रांसफार्मर को बिना किसी अतिरिक्त पर्यवेक्षण के बैकप्रॉपैगेशन द्वारा शुरू से अंत तक प्रशिक्षित किया जाता है। उदाहरण के लिए, नेटवर्क झुके हुए अंकों को सीधा करना या संबंधित क्षेत्र पर ज़ूम करना सीखता है, जिससे सटीकता और मजबूती बढ़ती है।
वास्तविक विश्व कार्यान्वयन
दृश्य-पाठ ओसीआर सिस्टम में पहचान से पहले घुमावदार या घुमाए गए पाठ को सीधा और संरेखित करना
सूक्ष्म छवि वर्गीकरण के लिए विभेदक क्षेत्रों (जैसे पक्षी की चोंच या पंख) में ज़ूम करना
चेहरा-पहचान पाइपलाइनों में प्रीप्रोसेसिंग चरण के रूप में चेहरे की मुद्रा और संरेखण को सामान्य बनाना
मेडिकल छवि पंजीकरण में विकृतियों को ठीक करना और स्कैन को संरेखित करना
स्थानिक ट्रांसफार्मर नेटवर्क का भविष्य
एसटीएन ने प्रभावित किया कि नेटवर्क कैसे ज्यामिति और ध्यान को संभालते हैं, विकृत संकल्पों और सीखे गए-वारिंग मॉड्यूल में फीड करते हैं। जबकि आत्म-ध्यान ट्रांसफार्मर अब हावी हैं, एसटीएन-शैली विभेदित नमूनाकरण स्पष्ट ज्यामितीय संरेखण की आवश्यकता वाले कार्यों में जारी रहता है: पाठ पहचान, बारीक वर्गीकरण, और मुद्रा सामान्यीकरण। 3डी दृष्टि, तंत्रिका प्रतिपादन और चिकित्सा छवि पंजीकरण में अलग-अलग विकृतियों के दिखाई देने की अपेक्षा करें, जिन्हें अक्सर प्रतिस्थापित करने के बजाय ध्यान के साथ जोड़ दिया जाता है।
इसे व्यवहार में लाना
यह क्यों मायने रखता है?
- गति और पैमाना. विज़ुअल एआई बड़े पैमाने पर निरीक्षण, पता लगाने और टैगिंग कार्यों को स्वचालित कर सकता है।
- विकल्प बनाएं. रचनात्मक टीमें कम मैन्युअल संशोधनों के साथ तेजी से अवधारणाओं का प्रोटोटाइप बना सकती हैं।
- टीम और वर्कफ़्लो. संचालन छवि और वीडियो संकेतों का उपयोग कर सकते हैं जिन्हें संसाधित करना पहले कठिन था।
का ध्यान रखें
- यदि उत्पत्ति अस्पष्ट है तो छवि अधिकार और सहमति कानूनी जोखिम बन सकते हैं।
- मॉडल का प्रदर्शन प्रकाश व्यवस्था, जनसांख्यिकी और वातावरण के अनुसार भिन्न हो सकता है।
- जब तक आत्मविश्वास की सीमा की निगरानी नहीं की जाती, तब तक झूठी सकारात्मक बातों पर ध्यान नहीं दिया जा सकता।
अगले चरण
- सटीकता, रिकॉल और त्रुटि लागत के लिए स्वीकृति मानदंड परिभाषित करें।
- वास्तविक उत्पादन स्थितियों से मेल खाने वाले डेटा के साथ परीक्षण करें।
- कम-आत्मविश्वास या उच्च-प्रभाव वाली भविष्यवाणियों के लिए मानवीय समीक्षा जोड़ें।
- कैमरा या डेटासेट में बदलाव के बाद मॉडल बहाव को ट्रैक करें और पुनः सत्यापित करें।
अन्वेषण करते रहें
मुफ़्त न्यूज़लेटर
दैनिक एआई ब्रीफिंग प्राप्त करें
हर कार्यदिवस की सुबह तीन सत्यापित एआई कहानियाँ, सादे अंग्रेजी में लिखी गईं। हमेशा के लिए मुफ़्त, कोई विज्ञापन नहीं।
प्रत्येक सप्ताह के दिन एक ईमेल. एक क्लिक में सदस्यता समाप्त करें. हम आपका पता कभी नहीं बेचते या साझा नहीं करते।
स्वयं की जांच करो
Take the Spatial Transformer Networks quiz
प्रत्येक उत्तर पर त्वरित प्रतिक्रिया, और पाठ्यक्रम पास करने के बाद एक सत्यापन योग्य आईडी के साथ एक साझा करने योग्य प्रमाणपत्र।
निःशुल्क एआई शिक्षा का समर्थन करें। AI Understanding एक 501(c)(3) गैर-लाभकारी संस्था है - कोई विज्ञापन नहीं, कोई पेवॉल नहीं। दान करें
अक्सर पूछे जाने वाले प्रश्नों
What is Spatial Transformer Networks?
स्थानिक ट्रांसफार्मर नेटवर्क (एसटीएन) सीखने योग्य मॉड्यूल हैं जो एक तंत्रिका नेटवर्क को सक्रिय रूप से अपने इनपुट को घुमाने, घुमाने, क्रॉप करने या फिर से स्केल करने देते हैं ताकि जो मायने रखता है उस पर ध्यान केंद्रित किया जा सके। वे सीएनएन को स्थानिक ध्यान और अपरिवर्तनशीलता की अंतर्निहित भावना देते हैं।
एक स्थानिक ट्रांसफार्मर नेटवर्क एक तंत्रिका नेटवर्क में क्या क्षमता जोड़ता है?
एसटीएन एक सीखने योग्य मॉड्यूल सम्मिलित करता है जो प्रासंगिक सामग्री पर ध्यान केंद्रित करने के लिए फीचर मानचित्रों का अनुवाद, घुमा, स्केल या ताना-बाना कर सकता है।
कौन से तीन घटक एक स्थानिक ट्रांसफार्मर मॉड्यूल बनाते हैं?
एक एसटीएन में एक स्थानीयकरण नेटवर्क (मापदंडों की भविष्यवाणी), एक ग्रिड जनरेटर (नमूना निर्देशांक बनाता है), और एक नमूना (इनपुट को प्रक्षेपित करता है) होता है।
एक स्थानिक ट्रांसफार्मर नेटवर्क को सामान्य बैकप्रॉपैगेशन के साथ क्यों प्रशिक्षित किया जा सकता है?
सैंपलर में बिलिनियर इंटरपोलेशन अलग-अलग होता है, इसलिए ग्रेडिएंट ग्रिड जनरेटर के माध्यम से स्थानीयकरण नेटवर्क में वापस प्रवाहित होते हैं, जिससे एंड-टू-एंड प्रशिक्षण सक्षम होता है।
एफ़िन ट्रांसफ़ॉर्मेशन के लिए स्थानीयकरण नेटवर्क आम तौर पर क्या आउटपुट देता है?
एफ़िन ट्रांसफ़ॉर्म के लिए, स्थानीयकरण नेटवर्क 2x3 मैट्रिक्स एन्कोडिंग अनुवाद, स्केल, रोटेशन और कतरनी के रूप में व्यवस्थित छह मानों की भविष्यवाणी करता है।
मानक सीएनएन केवल स्थानिक परिवर्तनों के लिए कमजोर रूप से अपरिवर्तनीय क्यों हैं, एसटीएन को प्रेरित करते हैं?
सीएनएन पूलिंग के माध्यम से केवल मामूली स्थानिक अपरिवर्तनीयता प्राप्त करते हैं; एसटीएन स्थिति, पैमाने और रोटेशन को संभालने के लिए एक स्पष्ट, सीखने योग्य तरीका जोड़ते हैं।
सीखते रहो
संबंधित मार्गदर्शिकाएँ
इस विषय के लिए अधिक मार्गदर्शिकाएँ चुनी गईं