Kurssisisältö

Konenäön Perusteet

1. Johdatus Tietokonenäköön

Mikä on tietokonenäkö?Kuvankäsittelyn Perusteet Lineaarialgebra Kuvankäsittelyssä

2. Kuvankäsittely OpenCV:llä

Perusmuunnokset Fourier-muunnos Alipäästö- ja Ylipäästösuodattimet Kohinan Vähentäminen ja Tasoitus Histogrammin Tasoitus Superresoluutiotekniikat Reunojen Tunnistus Kulma- ja Kohdetunnistus

3. Konvoluutioneuroverkot

Konvoluutiohermoverkkojen Esittely Konvoluutiokerrokset Pooling-Kerrokset Tasoittaminen Aktivointifunktiot Yleiskatsaus Suosittuihin CNN-malleihin Haaste: CNN:n Rakentaminen

4. Esineentunnistus

Objektin Paikannus Kohteentunnistus Rajauslaatikon Ennusteet Leikkaus Unionin Yli (IoU) ja Arviointimittarit Ei-maksimin Suppressio (NMS)Ankkurilaatikot YOLO-mallin Yleiskatsaus Haaste: Objektin Tunnistus Omalla Mallilla ja YOLOlla

5. Edistyneiden Aiheiden Yleiskatsaus

Siirtäminen Oppiminen Tietokonenäössä Kasvontunnistuksen Yleiskatsaus Kuvantuotannon Yleiskatsaus

Aktivointifunktiot

Miksi aktivointifunktiot ovat ratkaisevia konvoluutiohermoverkoissa

Aktivointifunktiot tuovat epälineaarisuutta konvoluutiohermoverkkoihin, mahdollistaen monimutkaisten kuvioiden oppimisen, mihin pelkkä lineaarinen malli ei kykene. Ilman aktivointifunktioita konvoluutiohermoverkot eivät pystyisi havaitsemaan monimutkaisia yhteyksiä datassa, mikä rajoittaisi niiden tehokkuutta kuvantunnistuksessa ja luokittelussa. Oikea aktivointifunktio vaikuttaa oppimisen nopeuteen, vakauteen ja kokonaisvaltaiseen suorituskykyyn.

Yleiset aktivointifunktiot

ReLU (rectified linear unit): yleisimmin käytetty aktivointifunktio konvoluutiohermoverkoissa. Se päästää läpi vain positiiviset arvot ja asettaa kaikki negatiiviset syötteet nollaksi, mikä tekee siitä laskennallisesti tehokkaan ja ehkäisee katoavien gradienttien ongelmaa. Kuitenkin osa neuroneista voi jäädä pysyvästi passiivisiksi niin sanotun "kuolevan ReLU:n" vuoksi;

f (x) = max (0, x)

Leaky ReLU: ReLU:n muunnelma, joka sallii pienet negatiiviset arvot nollan sijaan, estäen passiiviset neuronit ja parantaen gradientin kulkua;

f (x) = {\begin{cases} x & , x > 0 \\ α x & , x \leq 0 \end{cases}

Sigmoid: puristaa syötearvot välille 0 ja 1, mikä tekee siitä hyödyllisen binääriluokittelussa. Kuitenkin se kärsii katoavista gradienttiarvoista syvissä verkoissa;

f (x) = \frac{1}{1 + e^{- x}}

Tanh: samanlainen kuin Sigmoid, mutta tuottaa arvoja välillä -1 ja 1, keskittäen aktivoinnit nollan ympärille;

f (x) = \frac{e^{x} - e^{- x}}{e^{x} + e^{- x}}

Softmax: Tyypillisesti käytetään viimeisessä kerroksessa moniluokkaluokittelussa. Softmax muuntaa verkon raakatulokset todennäköisyyksiksi, jotka summautuvat yhteen, mikä parantaa tulosten tulkittavuutta.

f (x_{i}) = \frac{e^{x_{i}}}{\sum_{j}^{} e^{x_{j}}}

Oikean aktivointifunktion valinta

ReLU on oletusvalinta piilokerroksille tehokkuutensa ja vahvan suorituskykynsä ansiosta, kun taas Leaky ReLU on parempi vaihtoehto, jos neuronien passiivisuus muodostuu ongelmaksi. Sigmoid ja Tanh jätetään yleensä pois syvissä konvoluutioverkoissa, mutta ne voivat olla hyödyllisiä tietyissä sovelluksissa. Softmax on olennainen moniluokkaluokittelutehtävissä, sillä se mahdollistaa selkeät todennäköisyyspohjaiset ennusteet.

Oikean aktivointifunktion valinta on keskeistä CNN:n suorituskyvyn optimoinnissa, tehokkuuden tasapainottamisessa ja ongelmien, kuten katoavien tai räjähtävien gradienttien, ehkäisyssä. Jokainen funktio vaikuttaa omalla tavallaan siihen, miten verkko käsittelee ja oppii visuaalisesta datasta.

1. Miksi ReLU on suositumpi kuin Sigmoid syvissä CNN-malleissa?

2. Mitä aktivointifunktiota käytetään yleisesti moniluokkaluokittelun CNN:n viimeisessä kerroksessa?

3. Mikä on Leaky ReLU:n tärkein etu verrattuna tavalliseen ReLU:hun?

Miksi ReLU on suositumpi kuin Sigmoid syvissä CNN-malleissa?

Select the correct answer

ReLU ehkäisee ylisovittamista paremmin kuin Sigmoid.

ReLU soveltuu moniluokkaluokitukseen.

ReLU välttää katoavat gradientit ja nopeuttaa koulutusta.

Sigmoid on laskennallisesti tehokkaampi.

Mitä aktivointifunktiota käytetään yleisesti moniluokkaluokittelun CNN:n viimeisessä kerroksessa?

Select the correct answer

ReLU

Tanh

Leaky ReLU

Softmax

Mikä on Leaky ReLU:n tärkein etu verrattuna tavalliseen ReLU:hun?

Select the correct answer

Se poistaa Softmax-kerroksen tarpeen.

Se ehkäisee passiivisia neuroneita sallimalla pienet negatiiviset arvot.

Se normalisoi arvot välille -1 ja 1.

Se varmistaa, että kaikki neuronit tuottavat positiivisia arvoja.

Oliko kaikki selvää?

Miten voimme parantaa sitä?

Kiitos palautteestasi!

Osio 3. Luku 5

Kysy tekoälyä

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

Kurssisisältö

Konenäön Perusteet

1. Johdatus Tietokonenäköön

Mikä on tietokonenäkö?Kuvankäsittelyn Perusteet Lineaarialgebra Kuvankäsittelyssä

2. Kuvankäsittely OpenCV:llä

Perusmuunnokset Fourier-muunnos Alipäästö- ja Ylipäästösuodattimet Kohinan Vähentäminen ja Tasoitus Histogrammin Tasoitus Superresoluutiotekniikat Reunojen Tunnistus Kulma- ja Kohdetunnistus

3. Konvoluutioneuroverkot

Konvoluutiohermoverkkojen Esittely Konvoluutiokerrokset Pooling-Kerrokset Tasoittaminen Aktivointifunktiot Yleiskatsaus Suosittuihin CNN-malleihin Haaste: CNN:n Rakentaminen

4. Esineentunnistus

5. Edistyneiden Aiheiden Yleiskatsaus

Siirtäminen Oppiminen Tietokonenäössä Kasvontunnistuksen Yleiskatsaus Kuvantuotannon Yleiskatsaus

Aktivointifunktiot

Miksi aktivointifunktiot ovat ratkaisevia konvoluutiohermoverkoissa

Yleiset aktivointifunktiot

ReLU (rectified linear unit): yleisimmin käytetty aktivointifunktio konvoluutiohermoverkoissa. Se päästää läpi vain positiiviset arvot ja asettaa kaikki negatiiviset syötteet nollaksi, mikä tekee siitä laskennallisesti tehokkaan ja ehkäisee katoavien gradienttien ongelmaa. Kuitenkin osa neuroneista voi jäädä pysyvästi passiivisiksi niin sanotun "kuolevan ReLU:n" vuoksi;

f (x) = max (0, x)

Leaky ReLU: ReLU:n muunnelma, joka sallii pienet negatiiviset arvot nollan sijaan, estäen passiiviset neuronit ja parantaen gradientin kulkua;

f (x) = {\begin{cases} x & , x > 0 \\ α x & , x \leq 0 \end{cases}

Sigmoid: puristaa syötearvot välille 0 ja 1, mikä tekee siitä hyödyllisen binääriluokittelussa. Kuitenkin se kärsii katoavista gradienttiarvoista syvissä verkoissa;

f (x) = \frac{1}{1 + e^{- x}}

Tanh: samanlainen kuin Sigmoid, mutta tuottaa arvoja välillä -1 ja 1, keskittäen aktivoinnit nollan ympärille;

f (x) = \frac{e^{x} - e^{- x}}{e^{x} + e^{- x}}

Softmax: Tyypillisesti käytetään viimeisessä kerroksessa moniluokkaluokittelussa. Softmax muuntaa verkon raakatulokset todennäköisyyksiksi, jotka summautuvat yhteen, mikä parantaa tulosten tulkittavuutta.

f (x_{i}) = \frac{e^{x_{i}}}{\sum_{j}^{} e^{x_{j}}}

Oikean aktivointifunktion valinta

1. Miksi ReLU on suositumpi kuin Sigmoid syvissä CNN-malleissa?

2. Mitä aktivointifunktiota käytetään yleisesti moniluokkaluokittelun CNN:n viimeisessä kerroksessa?

3. Mikä on Leaky ReLU:n tärkein etu verrattuna tavalliseen ReLU:hun?

Miksi ReLU on suositumpi kuin Sigmoid syvissä CNN-malleissa?

Select the correct answer

ReLU ehkäisee ylisovittamista paremmin kuin Sigmoid.

ReLU soveltuu moniluokkaluokitukseen.

ReLU välttää katoavat gradientit ja nopeuttaa koulutusta.

Sigmoid on laskennallisesti tehokkaampi.

Mitä aktivointifunktiota käytetään yleisesti moniluokkaluokittelun CNN:n viimeisessä kerroksessa?

Select the correct answer

ReLU

Tanh

Leaky ReLU

Softmax

Mikä on Leaky ReLU:n tärkein etu verrattuna tavalliseen ReLU:hun?

Select the correct answer

Se poistaa Softmax-kerroksen tarpeen.

Se ehkäisee passiivisia neuroneita sallimalla pienet negatiiviset arvot.

Se normalisoi arvot välille -1 ja 1.

Se varmistaa, että kaikki neuronit tuottavat positiivisia arvoja.

Oliko kaikki selvää?

Miten voimme parantaa sitä?

Kiitos palautteestasi!

Osio 3. Luku 5