Я. Гудфеллоу, И. Бенджио, А. Курвилль

304 

 
Сверточные сети
9.6. Структурированный выход
Сверточные сети можно использовать для вывода многомерного структурированно-
го объекта, а не просто для предсказания метки класса в случае классификации или 
вещественного значения в случае регрессии. Обычно таким объектом является тен-
зор, порождаемый стандартным сверточным слоем. Например, модель может порож-
дать тензор 
S
, в котором 
S
i; j; k
– вероятность того, что входной пиксель в позиции (
j
, 
k
) 
принадлежит классу 
i
. Это позволяет модели пометить каждый пиксель изображения 
и нарисовать точные маски, выделяющие контуры отдельных объектов.
Часто возникает проблема из-за того, что выходная плоскость меньше входной, 
как показано на рис. 9.13. В архитектурах, которые обычно применяются для клас-
сификации одного объекта в изображении, уменьшение числа пространственных 
измерений сети связано прежде всего с использованием слоев пулинга с большим 
шагом. Чтобы вывести карту примерно такого же размера, как вход, можно вообще 
отказаться от пулинга (Jain et al., 2007). Другая стратегия – порождать сетку меток 
более низкого разрешения (Pinheiro and Collobert, 2014, 2015). Наконец, в принципе, 
можно использовать оператор пулинга с единичным шагом.
Одна из стратегий попиксельной пометки изображений – взять какую-нибудь на-
чальную гипотезу о метках, а затем уточнять ее, используя взаимодействия между 
соседними пикселями. Многократное повторение шага уточнения соответствует ис-
пользованию одинаковых сверток на каждом этапе с разделением весов между послед-
ними слоями глубокой сети (Jain et al., 2007). В результате последовательность вычис-
лений, выполняемых соседними сверточными слоями с весами, разделяемыми между 
слоями, становится специальным видом рекуррентной сети (Pinheiro and Collobert, 
2014, 2015). На рис. 9.17 показана архитектура такой рекуррентной сверточной сети.