คู่มือ AI แบบเห็นภาพ
เครือข่ายหม้อแปลงเชิงพื้นที่
Spatial Transformer Networks (STN) เป็นโมดูลที่สามารถเรียนรู้ได้ ซึ่งช่วยให้โครงข่ายประสาทเทียมสามารถบิดเบี้ยว หมุน ครอบตัด หรือปรับขนาดอินพุตใหม่เพื่อมุ่งเน้นไปที่สิ่งที่สำคัญได้
ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min
บนหน้านี้อ่าน 2 นาที
ภาพรวม
พวกเขาให้ CNNs ความรู้สึกด้านความสนใจทางพื้นที่และความไม่เปลี่ยนแปลงที่ฝังตัวอยู่
เจาะลึก
เครือข่าย Convolutional แบบมาตรฐานมีความไม่แปรผันเพียงเล็กน้อยต่อการเปลี่ยนแปลงตำแหน่ง ขนาด และการหมุน โดยอาศัยการรวมกลุ่มกันเพื่อให้ยอมรับได้เพียงเล็กน้อย Spatial Transformer Networks เปิดตัวโดย Jaderberg และคณะ ในปี 2558 ให้แก้ไขปัญหานี้ด้วยการแทรกโมดูลที่สร้างความแตกต่างได้ซึ่งทำการแปลงทางเรขาคณิตอย่างชัดเจนบนแผนที่คุณลักษณะ โมดูลมีสามส่วน: เครือข่ายการแปลที่คาดการณ์พารามิเตอร์การแปลง ตัวสร้างกริดที่สร้างตารางการสุ่มตัวอย่างจากพารามิเตอร์เหล่านั้น และตัวเก็บตัวอย่างที่สอดแทรกอินพุตที่จุดกริด เนื่องจากทุกขั้นตอนมีความแตกต่างกัน หม้อแปลงทั้งหมดจึงได้รับการฝึกอบรมแบบครบวงจรโดยการกระจายกลับโดยไม่มีการควบคุมดูแลเป็นพิเศษ เครือข่ายเรียนรู้ เช่น การปรับตัวเลขที่เอียงให้ตรงหรือซูมเข้าในส่วนที่เกี่ยวข้อง ซึ่งช่วยเพิ่มความแม่นยำและความทนทาน
การใช้งานจริงในโลกแห่งความเป็นจริง
การปรับให้ตรงและจัดแนวข้อความโค้งหรือหมุนก่อนที่จะรับรู้ในระบบ OCR ข้อความในฉาก
ซูมเข้าไปในบริเวณที่เลือกปฏิบัติ (เช่น จงอยปากหรือปีกของนก) เพื่อการจัดหมวดหมู่ภาพที่ละเอียด
การปรับท่าทางและการจัดตำแหน่งใบหน้าให้เป็นมาตรฐานเป็นขั้นตอนก่อนการประมวลผลในไปป์ไลน์การจดจำใบหน้า
แก้ไขความผิดเพี้ยนและจัดแนวการสแกนในการลงทะเบียนภาพทางการแพทย์
อนาคตของเครือข่ายหม้อแปลงเชิงพื้นที่
STN มีอิทธิพลต่อวิธีที่เครือข่ายจัดการกับเรขาคณิตและความสนใจ โดยป้อนเข้าสู่การบิดงอที่เปลี่ยนรูปได้และโมดูลการบิดงอที่เรียนรู้ได้ ในขณะที่หม้อแปลงการเอาใจใส่ตนเองมีอิทธิพลเหนือในปัจจุบัน การสุ่มตัวอย่างเชิงอนุพันธ์แบบ STN ยังคงอยู่ในงานที่ต้องการการจัดตำแหน่งทางเรขาคณิตที่ชัดเจน: การจดจำข้อความ การจำแนกประเภทอย่างละเอียด และก่อให้เกิดการทำให้เป็นมาตรฐาน คาดว่าการบิดเบี้ยวที่เปลี่ยนแปลงได้จะยังคงปรากฏในการมองเห็น 3 มิติ การเรนเดอร์ระบบประสาท และการลงทะเบียนภาพทางการแพทย์ ซึ่งมักจะรวมกับความสนใจมากกว่าที่จะถูกแทนที่ด้วยมัน
การนำไปปฏิบัติ
ทำไมมันถึงสำคัญ
- ความเร็วและขนาด. Visual AI สามารถทำให้การตรวจสอบ การตรวจจับ และการแท็กเป็นอัตโนมัติในขนาดต่างๆ
- สร้างทางเลือก. ทีมสร้างสรรค์สามารถสร้างต้นแบบแนวคิดได้รวดเร็วขึ้นโดยต้องมีการแก้ไขด้วยตนเองน้อยลง
- ทีมงานและขั้นตอนการทำงาน. การดำเนินการสามารถใช้สัญญาณภาพและวิดีโอที่ก่อนหน้านี้ประมวลผลได้ยาก
ระวัง
- สิทธิ์และความยินยอมในรูปภาพอาจกลายเป็นความเสี่ยงทางกฎหมายได้หากแหล่งที่มาไม่ชัดเจน
- ประสิทธิภาพของโมเดลอาจแตกต่างกันไปตามสภาพแสง ข้อมูลประชากร และสภาพแวดล้อม
- ผลบวกลวงอาจไม่สังเกตเห็นเว้นแต่จะมีการตรวจสอบเกณฑ์ความเชื่อมั่น
ขั้นตอนต่อไป
- กำหนดเกณฑ์การยอมรับสำหรับความแม่นยำ การเรียกคืน และต้นทุนข้อผิดพลาด
- ทดสอบด้วยข้อมูลที่ตรงกับเงื่อนไขการผลิตจริง
- เพิ่มการตรวจสอบโดยเจ้าหน้าที่สำหรับการคาดการณ์ที่มีความมั่นใจต่ำหรือมีผลกระทบสูง
- ติดตามการเคลื่อนตัวของโมเดลและตรวจสอบความถูกต้องอีกครั้งหลังจากการเปลี่ยนแปลงกล้องหรือชุดข้อมูล
สำรวจต่อไป
จดหมายข่าวฟรี
รับสรุป AI รายวัน
เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา
อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ
ทดสอบตัวเอง
ทำแบบทดสอบ Spatial Transformer Networks
ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร
สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค
คำถามที่พบบ่อย
Spatial Transformer Networks คืออะไร
Spatial Transformer Networks (STN) เป็นโมดูลที่สามารถเรียนรู้ได้ ซึ่งช่วยให้โครงข่ายประสาทเทียมสามารถบิดเบี้ยว หมุน ครอบตัด หรือปรับขนาดอินพุตใหม่เพื่อมุ่งเน้นไปที่สิ่งที่สำคัญได้ พวกเขาทำให้ CNN รู้สึกถึงความสนใจและความแปรปรวนเชิงพื้นที่ในตัว
Spatial Transformer Network เพิ่มความสามารถอะไรให้กับโครงข่ายประสาทเทียม?
STN แทรกโมดูลที่สามารถเรียนรู้ได้ซึ่งสามารถแปล หมุน ปรับขนาด หรือบิดเบี้ยวแผนผังคุณลักษณะเพื่อเน้นไปที่เนื้อหาที่เกี่ยวข้อง
ส่วนประกอบสามประการใดที่ประกอบเป็นโมดูลหม้อแปลงเชิงพื้นที่
STN ประกอบด้วยเครือข่ายการแปล (คาดการณ์พารามิเตอร์) ตัวสร้างกริด (สร้างพิกัดการสุ่มตัวอย่าง) และตัวเก็บตัวอย่าง (ประมาณค่าอินพุต)
เหตุใด Spatial Transformer Network จึงสามารถฝึกอบรมด้วย backpropagation แบบธรรมดาได้
การประมาณค่าแบบไบลิเนียร์ในตัวเก็บตัวอย่างนั้นสามารถสร้างความแตกต่างได้ ดังนั้นการไล่ระดับสีจึงไหลย้อนกลับผ่านตัวสร้างกริดไปยังเครือข่ายการแปลเป็นภาษาท้องถิ่น ซึ่งช่วยให้สามารถฝึกอบรมตั้งแต่ต้นทางถึงปลายทางได้
โดยทั่วไปแล้วเครือข่ายโลคัลไลเซชันจะส่งออกอะไรสำหรับการแปลงความสัมพันธ์
สำหรับการแปลงแบบแอฟฟิน เครือข่ายการแปลเฉพาะที่คาดการณ์ค่าหกค่าที่จัดเรียงเป็นการแปลการเข้ารหัสเมทริกซ์ 2x3 สเกล การหมุน และแรงเฉือน
เหตุใด CNN มาตรฐานจึงไม่เปลี่ยนแปลงเพียงเล็กน้อยต่อการเปลี่ยนแปลงเชิงพื้นที่ซึ่งเป็นแรงจูงใจให้ STN
ซีเอ็นเอ็นบรรลุความแปรปรวนเชิงพื้นที่เพียงเล็กน้อยเท่านั้นผ่านการรวมกลุ่ม STN เพิ่มวิธีการที่ชัดเจนและเรียนรู้ได้ในการจัดการตำแหน่ง ขนาด และการหมุน
เรียนรู้ต่อไป
คำแนะนำที่เกี่ยวข้อง
คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้