Litteytys

Siirtyminen piirteiden erottelusta luokitteluun

Kun konvoluutio- ja pooling-kerrokset ovat erottaneet olennaiset piirteet kuvasta, seuraava vaihe konvoluutioneuroverkossa (CNN) on luokittelu. Koska täysin kytketyt kerrokset vaativat yksidimensionaalisen syötteen, monidimensionaaliset piirteet on muunnettava luokitteluun sopivaan muotoon.

Piirrekarttojen muuntaminen 1D-vektoriksi

Litteäksi muuntaminen (flattening) tarkoittaa konvoluutio- ja pooling-kerrosten tuottaman tuloksen muotoilemista yhdeksi pitkäksi vektoriksi. Jos piirrekartalla on mitat X × Y × Z, flattening muuntaa sen 1D array, jonka pituus on X × Y × Z.

Esimerkiksi, jos lopullisen piirrekartan mitat ovat 7 × 7 × 64, flattening muuntaa sen (7 × 7 × 64) = 3136-dimensional vektoriksi. Tämä mahdollistaa täysin kytkettyjen kerrosten käsitellä erotetut piirteet tehokkaasti.

Tasoituksen merkitys ennen syöttämistä täysin kytkettyihin kerroksiin

Täysin kytketyt kerrokset toimivat tavanomaisessa neuroverkkorakenteessa, jossa jokainen neuroni on yhteydessä kaikkiin seuraavan kerroksen neuroneihin. Ilman tasoitusta malli ei kykene tulkitsemaan piirrekaarttojen spatiaalista rakennetta oikein. Tasoitus varmistaa:

• Oikea siirtymä piirteiden tunnistuksesta luokitteluun;
• Saumaton yhteensopivuus täysin kytkettyjen kerrosten kanssa;
• Tehokas oppiminen säilyttämällä havaitut kuviot lopullista päätöksentekoa varten.

Tasoittamalla piirrekaartat, konvoluutioneuroverkot voivat hyödyntää konvoluution ja poolauksen aikana opittuja korkean tason piirteitä, mahdollistaen kuvien kohteiden tarkan luokittelun.