|
155
“Young Scientist” . # 4 (138) . January 2017
Computer Science
Данный тип сетей был разработан в конце 70-х начале
80-х годов Яном Лекуном и его коллегами из Bell Labs, и
уже тогда их сверточная нейронная сеть работала очень хо-
рошо, лучше существующих методов. В то время алгоритм
работал с маленькими изображениями 28 на 28 пикселей, и
для таких изображений алгоритм мог различить, какой ру-
кописный символ изображение содержит. Но для задач ком-
пьютерного зрения нужно уметь работать с гораздо более
большими изображениями. Поэтому сверточные нейронные
сети уступали аналогичными не-нейросетевым алгоритмам.
Все изменилось в начале 2010-х годов, когда появи-
лись очень большие обучающие выборки, появилось под-
ходящее вычислительное оборудование, в первую очередь
графические сопроцессоры, которые изначально создава-
лись не для искусственного интеллекта, а чтобы геймеры
могли играть в максимально красивые компьютерные
игры. И в 2012 году выяснилось, что классическую задачу
классификации, когда нужно определить к какому классу
принадлежит данный объект, сверточная нейронная сеть
решает гораздо лучше, чем все остальные методы.
Сейчас, благодаря буму популярности сверхточных
нейронных сетей, они получили колоссальное развитие и
подошли, в частности в задаче классификации, к возмож-
ностям человеческого мозга. И во многом этот процесс до-
стигается за счет того, что сети становятся все глубже и
глубже, то есть содержат все больше и больше слоев. И
если первая сверточная нейронная сеть из группы в То-
ронто содержала чуть больше десятка слоев, то в 2016 году
самая глубокая нейронная сеть, победившая во многих со-
ревнованиях, содержит около 150 слоев.
Во многом благодаря этому выяснилось, что задачу
компьютерного зрения сверточные нейронные сети могут
решать гораздо лучше, чем существующие аналоги. Это
касается не только задачи классификации, но и обнару-
жения на фото или видео, задача распознавания лиц, по-
ложения или позы человека на фотографии. Во всех этих
задачах сверточные нейронные сети стали добиваться ре-
зультатов, которые раньше были невозможны.
Более того, сверточные нейронные сети замечательно
показали себя в обратной задачи, когда вам нужно не об-
работать изображение, а синтезировать изображение,
или обработать изображение специальным образом, как
это делает нашумевшее приложение Prism. Также свер-
точные нейронные сети могут подсчитывать компактные
дескрипторы изображений, то есть вектора малой размер-
ности, которые описывают, что именно изображение со-
держит. И дальше, сравнивая такие вектора, можно нахо-
дить изображения, которые содержат похожие предметы
или такой же предмет. Такое свойство очень полезно в по-
исках по очень большим архивам изображений.
Также перспективным вектором является изучения
того, чему соответствуют индивидуальные нейроны, от
чего они активируются. Оказывается, что абстрактность,
высокоуровневость нейронов от слоя к слою нарастает.
Это значит, что нейроны, например, второго слоя, могут
активироваться, например, от темных полос определенной
толщины идущих под определенным углом на светлом
фоне. А на четвертом слое определенный вид нейронов
может активироваться от округлых блестящих предметов.
А на седьмом определенный тип нейронов может активи-
роваться в тех местах, где на изображении есть человече-
ское лицо или вид автомобиля спереди, при этом лица и
марки автомобиля может варьироваться, а нейроны все
равно будут активироваться. И ничто в процедуре обу-
чения не предполагает в явном виде, что возникнет такая
иерархия, такое постепенное нарастание абстрактности.
Почему это возникает до конца не понятно. И математиче-
ское осмысление сверхточных нейронных сетей находится
в достаточно зачаточном состоянии, и здесь в ближайшие
годы ожидается большой прогресс.
Литература:
1. Бова, В. В., Курейчик В. В., Нужное Е. В. Проблемы представления знаний в интегрированных системах под-
держки управленческих решений // Известия ЮФУ. Технические науки. — 2010. — № 7 (108). — с. 107–113.
2. Бова, В. В. Модели предметных знаний на основе системно-когнитивного анализа // Известия ЮФУ. Техниче-
ские науки. — 2010. — № 7 (108). — с. 146–153.
Рис.
Do'stlaringiz bilan baham: |
