Dziļo konvolūcijas tīklu lietojums attēlu atpazīšanā

Abstract

Darbā ir apskatītas dziļās mašīnmācīšanās metodes un konvolūcijas tīkli, kas gūst arvien plašāku lietojumu daudzos ar mašīnredzēšanu un attēlapstrādi saistītos uzdevumos. Savā veiktspējā konvolūcijas tīkli pārspēj regulāros neironu tīklus, paverot plašas iespējas sarežģītu struktūru grafisku datu apstrādē. Darbā ir izskatīti ievērību guvušas modeļu optimizācijas un regularizācijs metodes. Ir aplūkoti dažādu arhitektūru konvolūcijas tīkli un to ansambļu metodes, kuru pamatā ir tīkla slāņu vienību un slāņu izņemšana. Darba praktiskajā daļā tiek parādīta konvolūcijas tīkla parametru izmaiņu ietekme uz modeļa konverģenci un ātrdarbību; ir izveidots 110 konvolūcijas slāņu stohastiska dziļuma tīkls, ar kura palīdzību ir izdevies sasniegt 91.05% precizitāti CIFAR-10 attēlu klasificēšanā.

This paper presents convolutional network models and deep learning approaches that have multiple applications in computer vision and image recognition tasks. Convolutional network have demonstrated impressive performance in large scale classification problems and significant improvements in comparison with fully connected networks. In this paper several kinds of network optimization and regularization techniques are described, including Dropout and Stochastic Depth. Model parameters are defined, reviewed and their impact on model performance and accuracy is shown in experimental results. As a result 110 layers deep convolution network is created which achieves 91.05% accuracy on CIFAR-10 data set.