Mitandao ya Mabaki
Mitandao ya Mabaki (ResNets) ni mitandao ya kina ya neva inayoongeza 'ruka miunganisho' ikiruhusu tabaka kujifunza marekebisho madogo badala ya mabadiliko kamili.
Muhtasari
This simple trick made it possible to train networks hundreds of layers deep, sparking a leap in image recognition accuracy.
Dive ya kina
Kabla ya ResNets, kuweka tabaka nyingi kulifanya mitandao kufanya vibaya zaidi, hata kwenye data ya mafunzo, tatizo linaloitwa uharibifu. Mnamo mwaka wa 2015, Microsoft watafiti Kaiming He na wenzake walianzisha kizuizi cha mabaki: badala ya kuuliza rundo la tabaka kutoa pato H(x) moja kwa moja, waliiruhusu ijifunze mabaki F(x) = H(x) - x, kisha wakaongeza ingizo la awali x kupitia njia ya mkato. Ikiwa safu haihitajiki, inaweza kujifunza tu kufanya chochote (F (x) = 0). ResNet-152 ilishinda shindano la ImageNet la 2015 na kosa la 5 bora la takriban asilimia 3.6, likishinda makadirio ya kiwango cha binadamu, na usanifu wake ukawa uti wa mgongo wa msingi wa kugunduliwa, kugawanya, na picha za matibabu.
Ufahamu wa Kiufundi
Muunganisho wa kuruka hugeuza kazi ya kila kizuizi kuwa y = F(x) + x. Wakati wa uenezaji nyuma, upinde rangi hutiririka kupitia njia ya mkato ya utambulisho bila kubadilika, kwa hivyo hauwezi kutoweka hadi karibu na sufuri hata katika mamia ya safu. Hii huweka mrundikano wa kina kufunzwa. Njia za mkato za utambulisho haziongezi vigezo vya ziada; wakati tu ukubwa wa pembejeo na matokeo hutofautiana ambapo makadirio madogo (1x1 convolution) hurekebisha vipimo kabla ya kuongezwa.
Athari za kimkakati
Kasi na kiwango
Visual AI inaweza kufanya ukaguzi, ugunduzi na kazi za kuweka lebo kiotomatiki kwa kiwango.
Tengeneza chaguzi
Timu bunifu zinaweza kuiga dhana kwa haraka zaidi na masahihisho machache ya mikono.
Timu na mtiririko wa kazi
Uendeshaji unaweza kutumia ishara za picha na video ambazo hapo awali zilikuwa ngumu kuchakata.
Mustakabali wa Mitandao ya Mabaki
Miunganisho ya mabaki sasa iko karibu na ulimwengu wote: Vibadilishaji, miundo ya uenezaji, na miundo mikubwa ya lugha yote huzitumia kuleta utulivu wa mafunzo ya mwingiliano wa kina sana. Utafiti unaendelea kuhusu lahaja kama vile kuwezesha ResNets kabla, njia zilizopangwa za ResNeXt, na kuchanganya mawazo yaliyosalia na mafunzo yasiyo ya kuhalalisha. Tarajia kanuni ya msingi ya muunganisho wa kuruka-ruka kuendelea kama mhimili wa ujenzi, hata jinsi usanifu unaozunguka unapohama kutoka kwa miunganisho kamili kuelekea umakini na miundo mseto.
Utekelezaji wa Ulimwengu Halisi
Migongo ya uainishaji wa ImageNet (ResNet-50, ResNet-101) inayotumika kama vichimbaji vya vipengele vilivyofunzwa mapema kwa ujifunzaji wa uhamishaji.
Ugunduzi wa uvimbe na vidonda katika picha za radiolojia na patholojia kwa kutumia visimbaji vinavyotegemea ResNet
Ugunduzi wa kitu na mifumo ya mgawanyiko wa mfano kama Faster R-CNN na Mask R-CNN inayotumia uti wa mgongo wa ResNet
Mabomba ya mtazamo wa kujiendesha ambayo huainisha watembea kwa miguu, magari na ishara kutoka kwa fremu za kamera
Hatari & Walinzi
Haki za picha na idhini zinaweza kuwa hatari za kisheria ikiwa asili haiko wazi.
Utendaji wa muundo unaweza kutofautiana katika mwangaza, idadi ya watu na mazingira.
Chanya za uwongo zinaweza kutotambuliwa isipokuwa viwango vya uaminifu vifuatiliwe.
Ramani ya Utekelezaji
Bainisha vigezo vya kukubalika vya usahihi, kumbukumbu na gharama za makosa.
Jaribu kwa kutumia data inayolingana na hali halisi ya uzalishaji.
Ongeza ukaguzi wa kibinadamu kwa utabiri wa chini au utabiri wa athari kubwa.
Fuatilia mtindo wa kuteleza na uthibitishe upya baada ya mabadiliko ya kamera au mkusanyiko wa data.
Endelea Kuchunguza
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 Residual 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
Mwongozo unaofuata
Kipengele cha Mitandao ya Piramidi
Maswali yanayoulizwa mara kwa mara
What is Residual Networks?
Mitandao ya Mabaki (ResNets) ni mitandao ya kina ya neva inayoongeza 'ruka miunganisho' ikiruhusu tabaka kujifunza marekebisho madogo badala ya mabadiliko kamili. Ujanja huu rahisi ulifanya iwezekane kufunza mitandao mamia ya tabaka kwa kina, na hivyo kuzua usahihi wa utambuzi wa picha.
Ni shida gani ambayo miunganisho ya mabaki ilisuluhisha haswa?
Kabla ya ResNets, kuongeza tabaka zaidi kulisababisha usahihi kuharibika hata kwenye data ya mafunzo. Ruka miunganisho iliyosasishwa kwa kufanya tabaka kuwa rahisi kuboresha.
Kizuizi cha mabaki kinajumuisha nini kama matokeo yake?
Matokeo ya kuzuia y = F(x) + x, na kuongeza mabaki yaliyojifunza kwenye ingizo kupitia muunganisho wa kuruka.
Kwa nini kuruka miunganisho husaidia gradient wakati wa mafunzo?
Njia ya mkato ya utambulisho hutoa njia ya moja kwa moja kwa vipenyo kutiririka kurudi nyuma bila kubadilika, kuzuia tatizo la kutoweka kwa gradient katika milundikano ya kina sana.
Takriban modeli ya ResNet iliyoshinda kutoka 2015 ilikuwa na tabaka ngapi?
ResNet-152, yenye tabaka 152, ilishinda shindano la ImageNet la 2015, kuonyesha kwamba mitandao ya kina sana sasa inaweza kufunzwa kwa mafanikio.
Ikiwa tabaka za kizuizi cha mabaki hujifunza F(x) = 0, kizuizi hufanya nini?
Wakati F(x) = 0, pato ni x tu, kwa hivyo kizuizi kinakuwa ramani ya utambulisho. Hii hufanya tabaka za ziada zisiwe na madhara ikiwa hazihitajiki.