Tổng quan
Mạng dư (ResNets) là mạng thần kinh sâu có thêm tính năng 'bỏ qua kết nối' cho phép các lớp học những điều chỉnh nhỏ thay vì chuyển đổi hoàn toàn. Thủ thuật đơn giản này giúp có thể đào tạo mạng sâu hàng trăm lớp, tạo ra bước nhảy vọt về độ chính xác nhận dạng hình ảnh.
Mạng dư thuộc về quy trình công việc thị giác máy tính diễn giải hoặc tạo ra phương tiện trực quan để phân tích, vận hành và sáng tạo.
Lặn sâu
Trước ResNets, việc xếp chồng nhiều lớp khiến mạng hoạt động kém hơn, ngay cả trên dữ liệu huấn luyện, một vấn đề được gọi là suy thoái. Vào năm 2015, nhà nghiên cứu Kaiming He và các đồng nghiệp của Microsoft đã giới thiệu khối dư: thay vì yêu cầu một chồng lớp tạo ra trực tiếp đầu ra H(x), họ cho nó học phần dư F(x) = H(x) - x, sau đó thêm đầu vào x ban đầu trở lại thông qua một phím tắt. Nếu một lớp không cần thiết, nó có thể học cách không làm gì cả (F(x) = 0). ResNet-152 đã giành chiến thắng trong cuộc thi ImageNet năm 2015 với sai số top 5 khoảng 3,6%, đánh bại các ước tính ở cấp độ con người và kiến trúc của nó đã trở thành xương sống nền tảng cho việc phát hiện, phân đoạn và chụp ảnh y tế.
Hiểu biết kỹ thuật
Kết nối bỏ qua biến công việc của mỗi khối thành y = F(x) + x. Trong quá trình lan truyền ngược, gradient chảy qua lối tắt nhận dạng không thay đổi, do đó, nó không thể biến mất về gần 0 ngay cả trên hàng trăm lớp. Điều này giúp ngăn xếp sâu có thể huấn luyện được. Phím tắt nhận dạng không thêm tham số bổ sung; chỉ khi kích thước đầu vào và đầu ra khác nhau thì phép chiếu nhỏ (tích chập 1x1) mới điều chỉnh kích thước trước khi bổ sung.
Làm chủ mạng dư
Mạng dư (ResNets) là mạng thần kinh sâu có thêm tính năng 'bỏ qua kết nối' cho phép các lớp học những điều chỉnh nhỏ thay vì chuyển đổi hoàn toàn. Thủ thuật đơn giản này giúp có thể đào tạo mạng sâu hàng trăm lớp, tạo ra bước nhảy vọt về độ chính xác nhận dạng hình ảnh. Mạng dư thuộc về quy trình công việc thị giác máy tính diễn giải hoặc tạo ra phương tiện trực quan để phân tích, vận hành và sáng tạo. Để xây dựng sự hiểu biết sâu sắc, hãy coi Mạng dư là một mô hình vận hành chứ không phải một tính năng duy nhất: xác định kết quả mong muốn, làm rõ các giả định và tách biệt những gì hệ thống có thể thực hiện một cách đáng tin cậy với những gì vẫn cần đến sự đánh giá của chuyên gia.
Trong thực tế, các nhóm mạnh sử dụng Mạng dư cân bằng độ chính xác với thực tế hoạt động như chất lượng dữ liệu, phương sai ánh sáng và tính nhất quán của nhãn. Họ ghi lại các tiêu chí thành công rõ ràng, kiểm tra dựa trên dữ liệu và quy trình làm việc thực tế, đồng thời lặp lại dựa trên các kiểu thất bại được quan sát thay vì chiến thắng điểm chuẩn một lần. Đây là nơi sự hiểu biết về mặt lý thuyết biến thành khả năng bền vững trên toàn bộ sản phẩm, chính sách và hoạt động.
Visual AI có thể tự động hóa các nhiệm vụ kiểm tra, phát hiện và gắn thẻ trên quy mô lớn. Đồng thời, quyền về hình ảnh và sự đồng ý có thể trở thành rủi ro pháp lý nếu nguồn gốc xuất xứ không rõ ràng. Cách tiếp cận linh hoạt nhất là kết hợp tốc độ thử nghiệm với kỷ luật quản trị: chạy thử nghiệm, thu thập bằng chứng, xuất bản nhật ký quyết định và liên tục cập nhật các biện pháp bảo vệ khi hành vi của mô hình, kỳ vọng của người dùng và các yêu cầu pháp lý phát triển.
Tác động chiến lược
Visual AI có thể tự động hóa các nhiệm vụ kiểm tra, phát hiện và gắn thẻ trên quy mô lớn.
Visual AI có thể tự động hóa các nhiệm vụ kiểm tra, phát hiện và gắn thẻ trên quy mô lớn. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Các nhóm sáng tạo có thể tạo nguyên mẫu nhanh hơn với ít sửa đổi thủ công hơn.
Các nhóm sáng tạo có thể tạo nguyên mẫu nhanh hơn với ít sửa đổi thủ công hơn. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Các hoạt động có thể sử dụng tín hiệu hình ảnh và video mà trước đây khó xử lý.
Các hoạt động có thể sử dụng tín hiệu hình ảnh và video mà trước đây khó xử lý. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Triển khai trong thế giới thực
Xương sống phân loại ImageNet (ResNet-50, ResNet-101) được sử dụng làm công cụ trích xuất tính năng được đào tạo trước để học chuyển giao
Phát hiện khối u và tổn thương trong hình ảnh X quang và bệnh lý bằng bộ mã hóa dựa trên ResNet
Các khung phân đoạn đối tượng và phát hiện đối tượng như Faster R-CNN và Mask R-CNN sử dụng xương sống ResNet
Đường dẫn nhận thức tự lái giúp phân loại người đi bộ, phương tiện và biển báo từ khung camera
Các mẫu triển khai
Mạng dư trong thực tế
Các xương sống phân loại ImageNet (ResNet-50, ResNet-101) được sử dụng làm công cụ trích xuất tính năng được huấn luyện trước để học chuyển giao.
Các xương sống phân loại ImageNet (ResNet-50, ResNet-101) được sử dụng làm công cụ trích xuất tính năng được đào tạo trước cho quá trình học chuyển giao. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp phức tạp và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Mạng dư trong thực tế
Phát hiện khối u và tổn thương trong hình ảnh X quang và bệnh lý bằng bộ mã hóa dựa trên ResNet.
Phát hiện khối u và tổn thương trong hình ảnh X quang và bệnh lý bằng bộ mã hóa dựa trên ResNet. Các nhóm thường nhận được kết quả tốt hơn khi họ xác định trước ngưỡng chất lượng, theo dõi lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Mạng dư trong thực tế
Các khung phân đoạn đối tượng và phát hiện đối tượng như Faster R-CNN và Mask R-CNN sử dụng xương sống ResNet.
Các khung phát hiện đối tượng và phân đoạn phiên bản như Faster R-CNN và Mask R-CNN sử dụng xương sống ResNet Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp biên và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Mạng dư trong thực tế
Đường dẫn nhận thức tự lái giúp phân loại người đi bộ, phương tiện và biển báo từ khung camera.
Quy trình nhận thức tự lái phân loại người đi bộ, phương tiện và biển báo từ khung camera Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Rủi ro & lan can
Quyền và sự đồng ý về hình ảnh có thể trở thành rủi ro pháp lý nếu nguồn gốc xuất xứ không rõ ràng.
Hiệu suất của mô hình có thể khác nhau tùy theo ánh sáng, nhân khẩu học và môi trường.
Kết quả dương tính giả có thể không được chú ý trừ khi ngưỡng tin cậy được theo dõi.
Lộ trình thực hiện
Xác định tiêu chí chấp nhận về độ chính xác, thu hồi và chi phí lỗi.
Xác định tiêu chí chấp nhận về độ chính xác, thu hồi và chi phí lỗi. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Kiểm tra với dữ liệu phù hợp với điều kiện sản xuất thực tế.
Kiểm tra với dữ liệu phù hợp với điều kiện sản xuất thực tế. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Thêm đánh giá của con người đối với những dự đoán có độ tin cậy thấp hoặc tác động cao.
Thêm đánh giá của con người đối với những dự đoán có độ tin cậy thấp hoặc tác động cao. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Theo dõi sự trôi dạt của mô hình và xác nhận lại sau khi thay đổi máy ảnh hoặc tập dữ liệu.
Theo dõi sự trôi dạt của mô hình và xác nhận lại sau khi thay đổi máy ảnh hoặc tập dữ liệu. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.