Issn 2072-0297 Молодой учёный Международный научный журнал Выходит еженедельно №4 (138) / 2017 р е д а к ц и о н н а я к о л л е г и я : Главный редактор



Download 5,85 Mb.
Pdf ko'rish
bet40/112
Sana23.02.2022
Hajmi5,85 Mb.
#117770
1   ...   36   37   38   39   40   41   42   43   ...   112
Bog'liq
moluch 138 ch2 Jn3qGRj

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.

Download 5,85 Mb.

Do'stlaringiz bilan baham:
1   ...   36   37   38   39   40   41   42   43   ...   112




Ma'lumotlar bazasi mualliflik huquqi bilan himoyalangan ©hozir.org 2024
ma'muriyatiga murojaat qiling

kiriting | ro'yxatdan o'tish
    Bosh sahifa
юртда тантана
Боғда битган
Бугун юртда
Эшитганлар жилманглар
Эшитмадим деманглар
битган бодомлар
Yangiariq tumani
qitish marakazi
Raqamli texnologiyalar
ilishida muhokamadan
tasdiqqa tavsiya
tavsiya etilgan
iqtisodiyot kafedrasi
steiermarkischen landesregierung
asarlaringizni yuboring
o'zingizning asarlaringizni
Iltimos faqat
faqat o'zingizning
steierm rkischen
landesregierung fachabteilung
rkischen landesregierung
hamshira loyihasi
loyihasi mavsum
faolyatining oqibatlari
asosiy adabiyotlar
fakulteti ahborot
ahborot havfsizligi
havfsizligi kafedrasi
fanidan bo’yicha
fakulteti iqtisodiyot
boshqaruv fakulteti
chiqarishda boshqaruv
ishlab chiqarishda
iqtisodiyot fakultet
multiservis tarmoqlari
fanidan asosiy
Uzbek fanidan
mavzulari potok
asosidagi multiservis
'aliyyil a'ziym
billahil 'aliyyil
illaa billahil
quvvata illaa
falah' deganida
Kompyuter savodxonligi
bo’yicha mustaqil
'alal falah'
Hayya 'alal
'alas soloh
Hayya 'alas
mavsum boyicha


yuklab olish