SıradakiSonraki rehber
DETR Trafo Tespiti
Görsel Yapay Zeka
Görsel Yapay Zeka KILAVUZU
Mekansal Trafo Ağları
Uzamsal Transformatör Ağları (STN'ler), bir sinir ağının önemli olana odaklanmak için girdisini aktif olarak çarpıtmasına, döndürmesine, kırpmasına veya yeniden ölçeklendirmesine olanak tanıyan öğrenilebilir modüllerdir.
Bu kılavuzu dinleyinAI tarafından anlatılan · ~2 min
Bu sayfada2 dakika okuma
Genel Bakış
They give CNNs a built-in sense of spatial attention and invariance.
Derin Dalış
Standart evrişimli ağlar, konum, ölçek ve dönüşteki değişikliklere karşı yalnızca zayıf bir şekilde değişmez ve küçük bir tolerans için havuzlamaya dayanır. Jaderberg ve diğerleri tarafından tanıtılan Mekansal Transformatör Ağları. 2015'te özellik haritalarına açık bir geometrik dönüşüm gerçekleştiren türevlenebilir bir modül ekleyerek bu sorunu düzeltin. Modülün üç bölümü vardır: dönüşüm parametrelerini tahmin eden bir yerelleştirme ağı, bu parametrelerden bir örnekleme ızgarası oluşturan bir ızgara oluşturucu ve ızgara noktalarındaki girişi enterpolasyona tabi tutan bir örnekleyici. Her adım farklılaşabildiği için tüm transformatör, hiçbir ekstra denetim olmaksızın geri yayılım yoluyla uçtan uca eğitilir. Ağ, örneğin eğik rakamları düzeltmeyi veya ilgili bölgeyi yakınlaştırmayı öğrenerek doğruluğu ve sağlamlığı artırır.
Gerçek Dünya Uygulaması
Sahne metni OCR sistemlerinde kavisli veya döndürülmüş metni tanınmadan önce düzleştirme ve hizalama
İnce taneli görüntü sınıflandırması için ayırt edici bölgelere (bir kuşun gagası veya kanadı gibi) yakınlaştırma
Yüz tanıma işlem hatlarında bir ön işleme adımı olarak yüz pozunu ve hizalamasını normalleştirme
Tıbbi görüntü kaydında bozulmaların düzeltilmesi ve taramaların hizalanması
Mekansal Trafo Ağlarının Geleceği
STN'ler, deforme olabilen evrişimleri ve öğrenilmiş çarpıtma modüllerini besleyerek ağların geometriyi ve dikkati nasıl ele aldığını etkiledi. Öz-dikkat transformatörleri artık hakim olsa da, STN tarzı farklılaştırılabilir örnekleme, açık geometrik hizalama gerektiren görevlerde varlığını sürdürüyor: metin tanıma, ince taneli sınıflandırma ve poz normalleştirme. 3D görmede, sinirsel işlemede ve tıbbi görüntü kaydında farklılaştırılabilir çarpıklığın görünmeye devam etmesini ve çoğunlukla dikkatle değiştirilmek yerine dikkatle birleştirilmesini bekleyebilirsiniz.
Uygulamaya koymak
Neden önemli?
- Hız ve ölçek. Visual AI, inceleme, algılama ve etiketleme görevlerini geniş ölçekte otomatikleştirebilir.
- Yapı seçimleri. Yaratıcı ekipler, daha az manuel revizyonla konseptleri daha hızlı prototipleyebilir.
- Ekip ve iş akışı. Operasyonlar, daha önce işlenmesi zor olan görüntü ve video sinyallerini kullanabilir.
Dikkat edin
- Kaynağın belirsiz olması durumunda görüntü hakları ve rıza yasal risk haline gelebilir.
- Model performansı aydınlatma, demografik özellikler ve ortamlara göre değişiklik gösterebilir.
- Güven eşikleri izlenmediği sürece yanlış pozitifler fark edilmeyebilir.
Sonraki adımlar
- Kesinlik, geri çağırma ve hata maliyetlerine ilişkin kabul kriterlerini tanımlayın.
- Gerçek üretim koşullarıyla eşleşen verilerle test edin.
- Düşük güvenirliğe sahip veya yüksek etkili tahminler için gerçek kişi tarafından yapılan incelemeyi ekleyin.
- Model kaymasını izleyin ve kamera veya veri kümesi değişikliklerinden sonra yeniden doğrulayın.
Keşfetmeye Devam Edin
Ücretsiz bülten
Günlük AI brifingini alın
Hafta içi her sabah sade İngilizce yazılmış, doğrulanmış üç yapay zeka hikayesi. Sonsuza kadar ücretsiz, reklam yok.
Hafta içi her gün bir e-posta. Tek tıklamayla aboneliğinizi iptal edin. Adresinizi asla satmayız veya paylaşmayız.
Kendinizi test edin
Take the Spatial Transformer Networks quiz
Her yanıtla ilgili anında geri bildirim ve bir kursu geçtiğinizde doğrulanabilir bir kimliğe sahip paylaşılabilir bir sertifika.
Ücretsiz AI eğitimini destekleyin. AI Understanding, bir 501(c)(3) kâr amacı gütmeyen kuruluştur; hiçbir zaman reklam yoktur, ödeme duvarı yoktur. Bağış yap
Sık sorulan sorular
What is Spatial Transformer Networks?
Uzamsal Transformatör Ağları (STN'ler), bir sinir ağının önemli olana odaklanmak için girdisini aktif olarak çarpıtmasına, döndürmesine, kırpmasına veya yeniden ölçeklendirmesine olanak tanıyan öğrenilebilir modüllerdir. CNN'lere yerleşik bir mekansal dikkat ve değişmezlik duygusu veriyorlar.
Uzamsal Trafo Ağı, sinir ağına hangi yeteneği katar?
STN'ler, ilgili içeriğe odaklanmak için özellik haritalarını çevirebilen, döndürebilen, ölçekleyebilen veya çözebilen öğrenilebilir bir modül ekler.
Hangi üç bileşen uzaysal transformatör modülünü oluşturur?
Bir STN, bir yerelleştirme ağından (parametreleri tahmin eder), bir ızgara oluşturucudan (örnekleme koordinatlarını oluşturur) ve bir örnekleyiciden (girdiyi enterpolasyona tabi tutar) oluşur.
Bir Uzaysal Trafo Ağı neden sıradan geri yayılımla eğitilebilir?
Örnekleyicideki çift doğrusal enterpolasyon farklılaştırılabilir, böylece gradyanlar ızgara oluşturucudan yerelleştirme ağına geri akar ve uçtan uca eğitime olanak tanır.
Yerelleştirme ağı, bir afin dönüşüm için tipik olarak ne çıktı verir?
Afin dönüşümler için yerelleştirme ağı, ötelemeyi, ölçeği, döndürmeyi ve kesmeyi kodlayan 2x3 matris olarak düzenlenmiş altı değeri tahmin eder.
Standart CNN'ler neden mekansal değişikliklere karşı yalnızca zayıf bir şekilde değişmez, bu da STN'leri motive eder?
CNN'ler, havuzlama yoluyla yalnızca mütevazı bir mekansal değişmezliğe ulaşır; STN'ler konum, ölçek ve döndürme işlemlerinin açık ve öğrenilebilir bir yolunu sunar.
Öğrenmeye devam et
İlgili kılavuzlar
Bu konu için daha fazla rehber seçildi