Contenuti del Corso

Fondamenti di Computer Vision

1. Introduzione alla Computer Vision

Che cos'è la computer vision?Fondamenti dell'Elaborazione delle Immagini Algebra Lineare per la Manipolazione delle Immagini

2. Elaborazione delle Immagini con OpenCV

Trasformazioni di Base Trasformata di Fourier Filtri Passa Basso e Passa Alto Riduzione del Rumore e Levigatura Equalizzazione dell'Istogramma Tecniche di Super-Risoluzione Rilevamento dei Bordi Rilevamento di Angoli e Blob

3. Reti Neurali Convoluzionali

Introduzione alle Reti Neurali Convoluzionali Strati di Convoluzione Strati di Pooling Appiattimento Funzioni di Attivazione Panoramica Dei Modelli Cnn Più Diffusi Sfida: Costruzione di una CNN

4. Rilevamento Oggetti

Localizzazione degli Oggetti Rilevamento Oggetti Previsioni del Riquadro di Delimitazione Intersezione su Unione (IoU) e Metriche di Valutazione Soppressione Non Massima (NMS)Anchor Box Panoramica del Modello YOLO Sfida: Rilevamento Oggetti con Modello Personalizzato e YOLO

5. Panoramica degli Argomenti Avanzati

Apprendimento Trasferito nella Visione Artificiale Panoramica sul Riconoscimento Facciale Panoramica della Generazione di Immagini

Funzioni di Attivazione

Perché le funzioni di attivazione sono fondamentali nelle CNN

Le funzioni di attivazione introducono la non linearità nelle CNN, consentendo loro di apprendere schemi complessi che un semplice modello lineare non potrebbe cogliere. Senza le funzioni di attivazione, le CNN avrebbero difficoltà a rilevare relazioni intricate nei dati, limitando la loro efficacia nel riconoscimento e nella classificazione delle immagini. La scelta della funzione di attivazione influisce sulla velocità di addestramento, sulla stabilità e sulle prestazioni complessive.

Funzioni di attivazione comuni

ReLU (rectified linear unit): la funzione di attivazione più utilizzata nelle CNN. Consente il passaggio solo dei valori positivi, impostando a zero tutti gli input negativi, risultando efficiente dal punto di vista computazionale e prevenendo il problema dei gradienti che svaniscono. Tuttavia, alcuni neuroni possono diventare inattivi a causa del problema del "dying ReLU";

f (x) = max (0, x)

Leaky ReLU: una variante della ReLU che consente piccoli valori negativi invece di impostarli a zero, prevenendo neuroni inattivi e migliorando il flusso del gradiente;

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

Sigmoid: comprime i valori di input in un intervallo tra 0 e 1, rendendolo utile per la classificazione binaria. Tuttavia, soffre del problema della scomparsa del gradiente nelle reti profonde;

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

Tanh: simile alla funzione Sigmoid ma restituisce valori compresi tra -1 e 1, centrando le attivazioni intorno allo zero;

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

Softmax: tipicamente utilizzata nello strato finale per la classificazione multi-classe, Softmax converte le uscite grezze della rete in probabilità, assicurando che la loro somma sia pari a uno per una migliore interpretabilità.

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

Scelta della Funzione di Attivazione Corretta

ReLU è la scelta predefinita per gli strati nascosti grazie alla sua efficienza e alle ottime prestazioni, mentre Leaky ReLU rappresenta un'opzione migliore quando si verifica inattività dei neuroni. Sigmoid e Tanh sono generalmente evitate nelle CNN profonde ma possono essere utili in applicazioni specifiche. Softmax rimane fondamentale per i compiti di classificazione multi-classe, garantendo previsioni chiare basate su probabilità.

La selezione della funzione di attivazione corretta è fondamentale per ottimizzare le prestazioni delle CNN, bilanciando efficienza e prevenendo problemi come vanishing o exploding gradients. Ogni funzione contribuisce in modo unico al modo in cui una rete elabora e apprende dai dati visivi.

1. Perché ReLU è preferita rispetto a Sigmoid nelle CNN profonde?

2. Quale funzione di attivazione è comunemente utilizzata nello strato finale di una CNN per classificazione multi-classe?

3. Qual è il principale vantaggio di Leaky ReLU rispetto alla ReLU standard?

Perché ReLU è preferita rispetto a Sigmoid nelle CNN profonde?

Select the correct answer

ReLU previene l'overfitting meglio di Sigmoid.

ReLU può gestire la classificazione multi-classe.

ReLU evita il problema dei gradienti che scompaiono e accelera l'addestramento.

Sigmoid è computazionalmente più efficiente.

Quale funzione di attivazione è comunemente utilizzata nello strato finale di una CNN per classificazione multi-classe?

Select the correct answer

ReLU

Tanh

Leaky ReLU

Softmax

Qual è il principale vantaggio di Leaky ReLU rispetto alla ReLU standard?

Select the correct answer

Elimina la necessità di uno strato Softmax.

Previene neuroni inattivi consentendo piccoli output negativi.

Normalizza i valori tra -1 e 1.

Garantisce che tutti i neuroni producano valori positivi.

Tutto è chiaro?

Come possiamo migliorarlo?

Grazie per i tuoi commenti!

Sezione 3. Capitolo 5

Chieda ad AI

Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione

Contenuti del Corso

Fondamenti di Computer Vision

1. Introduzione alla Computer Vision

Che cos'è la computer vision?Fondamenti dell'Elaborazione delle Immagini Algebra Lineare per la Manipolazione delle Immagini

2. Elaborazione delle Immagini con OpenCV

3. Reti Neurali Convoluzionali

Introduzione alle Reti Neurali Convoluzionali Strati di Convoluzione Strati di Pooling Appiattimento Funzioni di Attivazione Panoramica Dei Modelli Cnn Più Diffusi Sfida: Costruzione di una CNN

4. Rilevamento Oggetti

5. Panoramica degli Argomenti Avanzati

Apprendimento Trasferito nella Visione Artificiale Panoramica sul Riconoscimento Facciale Panoramica della Generazione di Immagini

Funzioni di Attivazione

Perché le funzioni di attivazione sono fondamentali nelle CNN

Funzioni di attivazione comuni

ReLU (rectified linear unit): la funzione di attivazione più utilizzata nelle CNN. Consente il passaggio solo dei valori positivi, impostando a zero tutti gli input negativi, risultando efficiente dal punto di vista computazionale e prevenendo il problema dei gradienti che svaniscono. Tuttavia, alcuni neuroni possono diventare inattivi a causa del problema del "dying ReLU";

f (x) = max (0, x)

Leaky ReLU: una variante della ReLU che consente piccoli valori negativi invece di impostarli a zero, prevenendo neuroni inattivi e migliorando il flusso del gradiente;

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

Sigmoid: comprime i valori di input in un intervallo tra 0 e 1, rendendolo utile per la classificazione binaria. Tuttavia, soffre del problema della scomparsa del gradiente nelle reti profonde;

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

Tanh: simile alla funzione Sigmoid ma restituisce valori compresi tra -1 e 1, centrando le attivazioni intorno allo zero;

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

Softmax: tipicamente utilizzata nello strato finale per la classificazione multi-classe, Softmax converte le uscite grezze della rete in probabilità, assicurando che la loro somma sia pari a uno per una migliore interpretabilità.

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

Scelta della Funzione di Attivazione Corretta

1. Perché ReLU è preferita rispetto a Sigmoid nelle CNN profonde?

2. Quale funzione di attivazione è comunemente utilizzata nello strato finale di una CNN per classificazione multi-classe?

3. Qual è il principale vantaggio di Leaky ReLU rispetto alla ReLU standard?

Perché ReLU è preferita rispetto a Sigmoid nelle CNN profonde?

Select the correct answer

ReLU previene l'overfitting meglio di Sigmoid.

ReLU può gestire la classificazione multi-classe.

ReLU evita il problema dei gradienti che scompaiono e accelera l'addestramento.

Sigmoid è computazionalmente più efficiente.

Quale funzione di attivazione è comunemente utilizzata nello strato finale di una CNN per classificazione multi-classe?

Select the correct answer

ReLU

Tanh

Leaky ReLU

Softmax

Qual è il principale vantaggio di Leaky ReLU rispetto alla ReLU standard?

Select the correct answer

Elimina la necessità di uno strato Softmax.

Previene neuroni inattivi consentendo piccoli output negativi.

Normalizza i valori tra -1 e 1.

Garantisce che tutti i neuroni producano valori positivi.

Tutto è chiaro?

Come possiamo migliorarlo?

Grazie per i tuoi commenti!

Sezione 3. Capitolo 5