Akopọ
Awọn Nẹtiwọọki Residual (ResNets) jẹ awọn nẹtiwọọki nkankikan ti o jinlẹ ti o ṣafikun 'awọn asopọ fo' jẹ ki awọn fẹlẹfẹlẹ kọ ẹkọ awọn atunṣe kekere dipo awọn iyipada kikun. Ẹtan ti o rọrun yii jẹ ki o ṣee ṣe lati kọ awọn nẹtiwọọki awọn ọgọọgọrun awọn ipele ti o jinlẹ, ti nfa fifo ni deede idanimọ aworan.
Awọn Nẹtiwọọki ti o ku jẹ ti ṣiṣan iṣẹ-iriran kọnputa ti o tumọ tabi ṣe ipilẹṣẹ media wiwo fun itupalẹ, awọn iṣẹ ṣiṣe, ati ẹda.
Jin Dive
Ṣaaju ResNets, akopọ ọpọlọpọ awọn fẹlẹfẹlẹ paradoxically ṣe awọn nẹtiwọọki ṣe buru, paapaa lori data ikẹkọ, iṣoro ti a pe ni ibajẹ. Ni ọdun 2015, awọn oniwadi Microsoft Kaiming He ati awọn ẹlẹgbẹ rẹ ṣe agbekalẹ bulọọki ti o ku: dipo bibeere akopọ awọn fẹlẹfẹlẹ lati ṣe iṣelọpọ H(x) taara, wọn jẹ ki o kọ iṣẹku F(x) = H(x) - x, lẹhinna ṣafikun igbewọle atilẹba x pada nipasẹ ọna abuja kan. Ti Layer ko ba nilo, o le kọ ẹkọ lati ṣe ohunkohun (F(x) = 0). ResNet-152 gba idije ImageNet 2015 pẹlu aṣiṣe oke-5 ti iwọn 3.6 ogorun, lilu awọn iṣiro ipele eniyan, ati faaji rẹ di ẹhin ipilẹ fun wiwa, ipin, ati aworan iṣoogun.
Imọ-imọ-ẹrọ
Asopọ foo yi pada iṣẹ bulọọki kọọkan si y = F(x) + x. Lakoko isọdọtun, gradient nṣan nipasẹ ọna abuja idanimọ ko yipada, nitorinaa ko le parẹ si isunmọ odo paapaa kọja awọn ọgọọgọrun awọn ipele. Eleyi ntọju jin akopọ trainable. Awọn ọna abuja idanimọ ko ṣafikun awọn paramita afikun; nikan nigbati titẹ sii ati awọn iwọn iṣelọpọ yatọ ṣe asọtẹlẹ kekere (1x1 convolution) ṣatunṣe awọn iwọn ṣaaju afikun.
Mastering péye Networks
Awọn Nẹtiwọọki Residual (ResNets) jẹ awọn nẹtiwọọki nkankikan ti o jinlẹ ti o ṣafikun 'awọn asopọ fo' jẹ ki awọn fẹlẹfẹlẹ kọ ẹkọ awọn atunṣe kekere dipo awọn iyipada kikun. Ẹtan ti o rọrun yii jẹ ki o ṣee ṣe lati kọ awọn nẹtiwọọki awọn ọgọọgọrun awọn ipele ti o jinlẹ, ti nfa fifo ni deede idanimọ aworan. Awọn Nẹtiwọọki ti o ku jẹ ti ṣiṣan iṣẹ-iriran kọnputa ti o tumọ tabi ṣe ipilẹṣẹ media wiwo fun itupalẹ, awọn iṣẹ ṣiṣe, ati ẹda. Lati kọ oye ti o jinlẹ, tọju Awọn Nẹtiwọọki Residual bi awoṣe iṣẹ, kii ṣe ẹya ẹyọkan: ṣalaye awọn abajade ti o fẹ, ṣe alaye awọn arosọ, ati lọtọ ohun ti eto le ṣe ni igbẹkẹle lati ohun ti o tun nilo idajọ amoye.
Ni iṣe, awọn ẹgbẹ ti o lagbara ti nlo iwọntunwọnsi Awọn Nẹtiwọọki Residual pẹlu awọn otitọ iṣẹ ṣiṣe bii didara data, iyatọ ina, ati isamisi aitasera. Wọn ṣe akọsilẹ awọn ibeere aṣeyọri ti o fojuhan, idanwo lodi si data ojulowo ati ṣiṣan iṣẹ, ati atunbere ti o da lori awọn ilana ikuna ti a ṣakiyesi dipo awọn bori ala-akoko kan. Eyi ni ibiti oye imọ-jinlẹ yipada si agbara ti o tọ kọja ọja, eto imulo, ati awọn iṣẹ ṣiṣe.
Visual AI le ṣe adaṣe adaṣe, wiwa, ati awọn iṣẹ ṣiṣe taagi ni iwọn. Ni akoko kanna, Awọn ẹtọ aworan ati ifọkansi le di awọn eewu labẹ ofin ti o ba jẹ afihan. Ọna resilient julọ julọ ni lati darapọ iyara idanwo pẹlu ibawi ijọba: ṣiṣe awọn awakọ awakọ, mu ẹri mu, ṣe atẹjade awọn iwe ipinnu, ati imudojuiwọn awọn aabo nigbagbogbo bi ihuwasi awoṣe, awọn ireti olumulo, ati awọn ibeere ilana ti dagbasoke.
Ipa Ilana
Visual AI le ṣe adaṣe adaṣe, wiwa, ati awọn iṣẹ ṣiṣe taagi ni iwọn.
Visual AI le ṣe adaṣe adaṣe, wiwa, ati awọn iṣẹ ṣiṣe taagi ni iwọn. Ni awọn imuṣiṣẹ ti o ni agbara giga, eyi ni a tumọ si awọn ofin iṣiṣẹ wiwọn, awọn aala nini, ati awọn ilana atunyẹwo loorekoore ki awọn ẹgbẹ le ṣe iwọn igbẹkẹle dipo iwọn aibikita.
Awọn ẹgbẹ ẹda le ṣe apẹrẹ awọn imọran yiyara pẹlu awọn atunyẹwo afọwọṣe diẹ.
Awọn ẹgbẹ ẹda le ṣe apẹrẹ awọn imọran yiyara pẹlu awọn atunyẹwo afọwọṣe diẹ. Ni awọn imuṣiṣẹ ti o ni agbara giga, eyi ni a tumọ si awọn ofin iṣiṣẹ wiwọn, awọn aala nini, ati awọn ilana atunyẹwo loorekoore ki awọn ẹgbẹ le ṣe iwọn igbẹkẹle dipo iwọn aibikita.
Awọn iṣẹ ṣiṣe le lo aworan ati awọn ifihan agbara fidio ti o nira tẹlẹ lati ṣiṣẹ.
Awọn iṣẹ ṣiṣe le lo aworan ati awọn ifihan agbara fidio ti o nira tẹlẹ lati ṣiṣẹ. Ni awọn imuṣiṣẹ ti o ni agbara giga, eyi ni a tumọ si awọn ofin iṣiṣẹ wiwọn, awọn aala nini, ati awọn ilana atunyẹwo loorekoore ki awọn ẹgbẹ le ṣe iwọn igbẹkẹle dipo iwọn aibikita.
Real-World imuse
Awọn eegun ẹhin ipinya ImageNet (ResNet-50, ResNet-101) ti a lo bi awọn olutọpa ẹya ti a ti kọ tẹlẹ fun ẹkọ gbigbe
Tumor ati wiwa ọgbẹ ni redio ati awọn aworan ẹkọ nipa lilo awọn koodu koodu orisun ResNet
Wiwa nkan ati apẹẹrẹ awọn ilana ipin bi Yara R-CNN ati Mask R-CNN ti o lo awọn ẹhin ResNet
Awọn opo gigun ti oye wiwakọ ti ara ẹni ti o ṣe iyatọ awọn ẹlẹsẹ, awọn ọkọ, ati awọn ami lati awọn fireemu kamẹra
Awọn Ilana imuse
Awọn nẹtiwọki ti o ku ni iṣe
ImageNet classification backbones (ResNet-50, ResNet-101) ti a lo bi awọn ẹya ara ẹrọ ti a ti kọ tẹlẹ fun ẹkọ gbigbe.
ImageNet classification backbones (ResNet-50, ResNet-101) ti a lo bi awọn ẹya ara ẹrọ ti a ti kọ tẹlẹ fun gbigbe awọn ẹgbẹ ikẹkọ nigbagbogbo gba awọn abajade to dara julọ nigbati wọn ba ṣalaye awọn ilodiwọn didara ni iwaju, tọju ọna imudara eniyan fun awọn ọran eti, ati tọpa mejeeji awọn anfani iṣelọpọ ati awọn idiyele aṣiṣe ni akoko pupọ.
Awọn nẹtiwọki ti o ku ni iṣe
Tumor ati wiwa ọgbẹ ni redio ati awọn aworan ẹkọ nipa lilo awọn koodu koodu orisun ResNet.
Tumor ati wiwa ọgbẹ ni redio ati awọn aworan pathology nipa lilo awọn olupilẹṣẹ orisun ResNet Awọn ẹgbẹ nigbagbogbo gba awọn abajade to dara julọ nigbati wọn ṣalaye awọn ilodi didara ni iwaju, tọju ọna imudara eniyan fun awọn ọran eti, ati tọpa awọn anfani iṣelọpọ mejeeji ati awọn idiyele aṣiṣe lori akoko.
Awọn nẹtiwọki ti o ku ni iṣe
Wiwa nkan ati apẹẹrẹ awọn ilana ipin bi Yiyara R-CNN ati Mask R-CNN ti o lo awọn ẹhin ResNet.
Wiwa nkan ati apẹẹrẹ awọn ilana ipin bi Faster R-CNN ati Mask R-CNN ti o lo Awọn ẹgbẹ ẹhin ResNet nigbagbogbo gba awọn abajade to dara julọ nigbati wọn ṣalaye awọn ilodi didara ni iwaju, tọju ọna imudara eniyan fun awọn ọran eti, ati tọpa mejeeji awọn anfani iṣelọpọ ati awọn idiyele aṣiṣe lori akoko.
Awọn nẹtiwọki ti o ku ni iṣe
Awọn opo gigun ti oye wiwakọ ti ara ẹni ti o ṣe iyatọ awọn ẹlẹsẹ, awọn ọkọ, ati awọn ami lati awọn fireemu kamẹra.
Awọn opo gigun ti oye wiwakọ ti ara ẹni ti o ṣe iyatọ awọn ẹlẹsẹ, awọn ọkọ, ati awọn ami lati awọn fireemu kamẹra Awọn ẹgbẹ nigbagbogbo gba awọn abajade to dara julọ nigbati wọn ba ṣalaye awọn ilodi didara ni iwaju, tọju ọna igbega eniyan fun awọn ọran eti, ati tọpa awọn anfani iṣelọpọ mejeeji ati awọn idiyele aṣiṣe lori akoko.
Awọn ewu & Awọn ọna iṣọ
Awọn ẹtọ aworan ati igbanilaaye le di awọn eewu labẹ ofin ti o ba jẹ afihan.
Iṣe awoṣe le yatọ kọja ina, awọn ẹda eniyan, ati awọn agbegbe.
Awọn idaniloju eke le ma ṣe akiyesi ayafi ti a ba ṣe abojuto awọn ala igbẹkẹle.
Ilana Ilana imuse
Ṣetumo awọn ibeere gbigba fun pipe, iranti, ati awọn idiyele aṣiṣe.
Ṣetumo awọn ibeere gbigba fun pipe, iranti, ati awọn idiyele aṣiṣe. Ṣe itọju igbesẹ kọọkan bi ẹnu-ọna ẹri: ti awọn ibeere ko ba ni ibamu, daduro yiyọ kuro, pa aafo naa, ati lẹhinna faagun lilo.
Ṣe idanwo pẹlu data ti o baamu awọn ipo iṣelọpọ gidi.
Ṣe idanwo pẹlu data ti o baamu awọn ipo iṣelọpọ gidi. Ṣe itọju igbesẹ kọọkan bi ẹnu-ọna ẹri: ti awọn ibeere ko ba ni ibamu, daduro yiyọ kuro, pa aafo naa, ati lẹhinna faagun lilo.
Ṣafikun atunyẹwo eniyan fun igbẹkẹle kekere tabi awọn asọtẹlẹ ipa-giga.
Ṣafikun atunyẹwo eniyan fun igbẹkẹle kekere tabi awọn asọtẹlẹ ipa-giga. Ṣe itọju igbesẹ kọọkan bi ẹnu-ọna ẹri: ti awọn ibeere ko ba ni ibamu, daduro yiyọ kuro, pa aafo naa, ati lẹhinna faagun lilo.
Tọpinpin awoṣe ki o ṣe tunṣe lẹhin kamẹra tabi awọn ayipada datasetto.
Tọpinpin awoṣe ki o ṣe tunṣe lẹhin kamẹra tabi awọn ayipada datasetto. Ṣe itọju igbesẹ kọọkan bi ẹnu-ọna ẹri: ti awọn ibeere ko ba ni ibamu, daduro yiyọ kuro, pa aafo naa, ati lẹhinna faagun lilo.