Tiếp theoHướng dẫn tiếp theo
Phát hiện máy biến áp DETR
AI trực quan
HƯỚNG DẪN AI trực quan
Mạng biến áp không gian
Mạng biến áp không gian (STN) là các mô-đun có thể học được, cho phép mạng thần kinh chủ động làm cong, xoay, cắt hoặc thay đổi kích thước đầu vào của nó để tập trung vào những gì quan trọng.
Nghe hướng dẫn nàyAI thuật lại · ~2 min
Trên trang nàyĐọc trong 2 phút
Tổng quan
They give CNNs a built-in sense of spatial attention and invariance.
Lặn sâu
Mạng tích chập tiêu chuẩn chỉ bất biến yếu đối với những thay đổi về vị trí, tỷ lệ và góc xoay, dựa vào việc gộp chung để có được một chút dung sai. Mạng biến áp không gian, được giới thiệu bởi Jaderberg et al. vào năm 2015, hãy khắc phục điều này bằng cách chèn một mô-đun có thể vi phân để thực hiện chuyển đổi hình học rõ ràng trên bản đồ đặc điểm. Mô-đun này có ba phần: mạng bản địa hóa dự đoán các tham số chuyển đổi, trình tạo lưới xây dựng lưới lấy mẫu từ các tham số đó và bộ lấy mẫu nội suy đầu vào tại các điểm lưới. Bởi vì mỗi bước đều có thể phân biệt được nên toàn bộ máy biến áp được huấn luyện từ đầu đến cuối bằng cách truyền ngược mà không cần giám sát thêm. Ví dụ: mạng học cách làm thẳng các chữ số nghiêng hoặc phóng to vùng có liên quan, tăng cường độ chính xác và độ tin cậy.
Triển khai trong thế giới thực
Làm thẳng và căn chỉnh văn bản cong hoặc xoay trước khi nhận dạng trong hệ thống OCR văn bản cảnh
Phóng to các vùng phân biệt (như mỏ hoặc cánh chim) để phân loại hình ảnh chi tiết
Chuẩn hóa tư thế và căn chỉnh khuôn mặt như một bước tiền xử lý trong quy trình nhận dạng khuôn mặt
Sửa biến dạng và căn chỉnh quét trong đăng ký hình ảnh y tế
Tương lai của mạng biến áp không gian
STN ảnh hưởng đến cách các mạng xử lý hình học và sự chú ý, đưa vào các cấu trúc tích chập có thể biến dạng và các mô-đun cong vênh đã học. Trong khi các máy biến áp tự chú ý hiện đang chiếm ưu thế, thì việc lấy mẫu khác biệt theo kiểu STN vẫn tồn tại trong các nhiệm vụ cần căn chỉnh hình học rõ ràng: nhận dạng văn bản, phân loại chi tiết và chuẩn hóa tư thế. Mong đợi sự cong vênh có thể phân biệt được sẽ tiếp tục xuất hiện trong tầm nhìn 3D, kết xuất thần kinh và đăng ký hình ảnh y tế, thường được kết hợp với sự chú ý thay vì được thay thế bằng nó.
Đưa nó vào thực tế
Tại sao nó quan trọng
- Tốc độ và tỷ lệ. Visual AI có thể tự động hóa các nhiệm vụ kiểm tra, phát hiện và gắn thẻ trên quy mô lớn.
- Xây dựng lựa chọn. Các nhóm sáng tạo có thể tạo nguyên mẫu nhanh hơn với ít sửa đổi thủ công hơn.
- Nhóm và quy trình làm việc. Các hoạt động có thể sử dụng tín hiệu hình ảnh và video mà trước đây khó xử lý.
coi chừng
- 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.
Các bước tiếp theo
- Xác định tiêu chí chấp nhận về độ chính xác, thu hồi và chi phí lỗi.
- Kiểm tra với dữ liệu phù hợp với điều kiện sản xuất thực tế.
- Thêm đánh giá của con người đối với những dự đoán có độ tin cậy thấp hoặc tác động cao.
- Theo dõi sự trôi dạt của mô hình và xác nhận lại sau khi thay đổi máy ảnh hoặc tập dữ liệu.
Tiếp tục khám phá
Bản tin miễn phí
Nhận bản tóm tắt AI hàng ngày
Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.
Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.
Tự kiểm tra
Take the Spatial Transformer Networks quiz
Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.
Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp
Câu hỏi thường gặp
What is Spatial Transformer Networks?
Mạng biến áp không gian (STN) là các mô-đun có thể học được, cho phép mạng thần kinh chủ động làm cong, xoay, cắt hoặc thay đổi kích thước đầu vào của nó để tập trung vào những gì quan trọng. Chúng mang lại cho CNN một cảm giác sẵn có về sự chú ý không gian và tính bất biến.
Mạng biến áp không gian bổ sung khả năng gì vào mạng thần kinh?
STN chèn một mô-đun có thể học được, có thể dịch, xoay, chia tỷ lệ hoặc làm cong các bản đồ tính năng để tập trung vào nội dung có liên quan.
Ba thành phần nào tạo nên một mô-đun biến áp không gian?
STN bao gồm mạng bản địa hóa (dự đoán các tham số), bộ tạo lưới (xây dựng tọa độ lấy mẫu) và bộ lấy mẫu (nội suy đầu vào).
Tại sao Mạng biến áp không gian có thể được huấn luyện bằng phương pháp lan truyền ngược thông thường?
Nội suy song tuyến tính trong bộ lấy mẫu có thể vi phân, do đó độ dốc sẽ quay trở lại qua bộ tạo lưới đến mạng bản địa hóa, cho phép đào tạo từ đầu đến cuối.
Mạng bản địa hóa thường tạo ra kết quả gì cho một phép chuyển đổi affine?
Đối với các phép biến đổi affine, mạng bản địa hóa dự đoán sáu giá trị được sắp xếp dưới dạng dịch mã hóa ma trận 2x3, tỷ lệ, xoay và cắt.
Tại sao các CNN tiêu chuẩn chỉ bất biến yếu đối với những thay đổi về không gian, thúc đẩy STN?
CNN chỉ đạt được tính bất biến không gian khiêm tốn thông qua việc gộp chung; STN bổ sung một cách rõ ràng, dễ học để xử lý vị trí, tỷ lệ và xoay.
Tiếp tục học hỏi
Hướng dẫn liên quan
Đã chọn thêm hướng dẫn cho chủ đề này