Перехід від виділення ознак до класифікації

Після того як згорткові та пулінгові шари виділяють ключові ознаки зображення, наступним етапом у згортковій нейронній мережі (CNN) є класифікація. Оскільки повнозв'язані шари потребують одномірного входу, необхідно перетворити багатовимірні карти ознак у формат, придатний для класифікації.

Перетворення карт ознак у 1D-вектор

Вирівнювання (flattening) — це процес переформування виходу згорткових і пулінгових шарів у єдиний довгий вектор. Якщо карта ознак має розміри X × Y × Z, вирівнювання перетворює її на 1D array довжиною X × Y × Z.

Наприклад, якщо фінальна карта ознак має розміри 7 × 7 × 64, вирівнювання перетворює її на (7 × 7 × 64) = 3136-dimensional вектор. Це дозволяє повнозв'язаним шарам ефективно обробляти виділені ознаки.

Важливість вирівнювання перед передачею у повнозв'язані шари

Повнозв'язані шари працюють у стандартній структурі нейронної мережі, де кожен нейрон з'єднаний з кожним нейроном наступного шару. Без вирівнювання модель не може коректно інтерпретувати просторову структуру карт ознак. Вирівнювання забезпечує:

• Коректний перехід від виявлення ознак до класифікації;

• Безшовну інтеграцію з повнозв'язаними шарами;

• Ефективне навчання шляхом збереження виділених шаблонів для фінального прийняття рішень.

Завдяки вирівнюванню карт ознак, CNN може використовувати високорівневі ознаки, отримані під час згортки та пулінгу, що забезпечує точну класифікацію об'єктів на зображенні.