CNN

Konvoluční neuronová síť

CNN je zkratka pro Konvoluční neuronová síť.

Co je to Konvoluční neuronová síť?

Třída modelů hlubokého učení primárně používaných pro analýzu a zpracování vizuálních dat, jako jsou obrázky a videa. Jsou navrženy tak, aby napodobovaly způsob, jakým lidská zraková kůra zpracovává a rozpoznává vzory ve vizuálních vstupech. CNN jsou zvláště účinné při úkolech, jako je klasifikace obrazu, detekce objektů a segmentace.

Architektura CNN se obvykle skládá z několika vrstev, včetně:

  1. Vstupní vrstva: Tato vrstva přijímá nezpracovaná obrazová data, často reprezentovaná jako matice hodnot pixelů.
  2. Konvoluční vrstvy: Tyto vrstvy provádějí operaci konvoluce, která zahrnuje použití více filtrů (nazývaných také jádra) na vstupní data. Filtry pomáhají detekovat prvky, jako jsou hrany, textury a tvary v obraze. Výstupem konvoluční vrstvy je soubor map jevů, které představují identifikované prvky v různých prostorových měřítcích a orientacích.
  3. Aktivační vrstvy: Tyto vrstvy aplikují nelineární aktivační funkci, jako je Rectified Linear Unit (ReLU), na výstup z konvolučních vrstev. Aktivační funkce zavádí nelinearitu a umožňuje CNN učit se složité vzorce a vztahy v datech.
  4. Sdružovací vrstvy: Tyto vrstvy provádějí operace převzorkování, které pomáhají snížit prostorové rozměry a výpočetní složitost map prvků při zachování nejdůležitějších informací. Běžné sdružovací operace zahrnují maximální sdružování a průměrné sdružování.
  5. Plně propojené vrstvy: Tyto vrstvy spojují každý neuron v jedné vrstvě s každým neuronem v následující vrstvě, což umožňuje CNN učit se funkce a vztahy vyšší úrovně. Po finální plně propojené vrstvě obvykle následuje aktivační funkce softmax, která vytváří výstupní pravděpodobnosti pro každou třídu v klasifikační úloze.
  6. Výstupní vrstva: Tato vrstva generuje konečnou předpověď nebo výstup CNN, jako je označení třídy v úloze klasifikace obrázků.

Trénink CNN zahrnuje úpravu vah filtrů a zkreslení prostřednictvím procesu zvaného backpropagation, který minimalizuje chybu mezi předpokládanými výstupy a skutečnými štítky. Po proškolení lze CNN použít k předpovědi nových, neviditelných dat.

CNN byly úspěšné v různých úlohách počítačového vidění, včetně klasifikace obrazu (např. ImageNet), detekce objektů (např. YOLO, Faster R-CNN) a sémantické segmentace (např. U-Net). Jejich účinnost při zpracování vizuálních dat je také učinila vhodnými pro další oblasti, jako je zpracování přirozeného jazyka a rozpoznávání řeči, kde je lze použít k analýze sekvenčních dat.

  • Zkratka: CNN
Tlačítko Nahoru
zavřít

Byl detekován Adblock

Martech Zone je schopna vám poskytnout tento obsah zdarma, protože naše stránky zpeněžujeme prostřednictvím příjmů z reklam, přidružených odkazů a sponzorství. Ocenili bychom, kdybyste při prohlížení našich stránek odstranili svůj blokovač reklam.