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.
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.
Hiểu biết kỹ thuật
Mạng bản địa hóa đưa ra các tham số (thường là ma trận affine 2x3) để dịch, chia tỷ lệ, xoay và cắt. Trình tạo lưới ánh xạ từng pixel đầu ra trở lại tọa độ nguồn thông qua ma trận đó. Sau đó, bộ lấy mẫu sẽ đọc đầu vào bằng cách sử dụng phép nội suy song tuyến tính, có khả năng vi phân để độ dốc truyền vào mạng nội địa hóa. Điều này cho phép mô-đun tìm hiểu các phép biến đổi hoàn toàn từ việc mất nhiệm vụ, tham gia và chuẩn hóa các khu vực có liên quan.
Tác động chiến lược
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.
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.
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
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.
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
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 Spatial Transformer 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
Hướng dẫn tiếp theo
Phát hiện máy biến áp DETR
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.