|
Kompyuter injiniringi fakulteti bitiruv oldi amaliyoti
|
| bet | 6/10 | | Sana | 15.05.2024 | | Hajmi | 1,33 Mb. | | #233983 |
Bog'liq Amaliyot hisobotiKonvolyutsion qatlamlar xususiyatlarning fazoviy ierarxiyasini o‘rganish uchun mas’ul bo‘lgan CNN-larning asosiy qurilish bloklari hisoblanadi. Har bir konvolyutsion qatlam kiritish xususiyati xaritasiga oʻrganiladigan filtrlar (yadrolar) toʻplamini qoʻllaydi va mahalliy naqshlarni ushlaydigan konvolyutsiyalarni amalga oshiradi. Faollashtirish funktsiyalari (masalan, ReLU) odatda chiziqli bo‘lmaganlikni joriy qilish va tarmoqning vakillik kuchini oshirish uchun konvolyutsiyalardan keyin qo‘llaniladi.
Pooling qatlamlari (masalan, maksimal birlashma, o‘rtacha birlashma) muhim ma’lumotlarni saqlab qolgan holda fazoviy o‘lchamlarni qisqartirib, xususiyat xaritalarini qisqartirish uchun ishlatiladi. Pooling o‘rganilgan xususiyatlarni kirish ma’lumotlaridagi o‘zgarishlarga nisbatan mustahkamroq qilishga yordam beradi va hisoblash murakkabligini kamaytiradi.
To‘liq bog‘langan qatlamlar yuqori darajadagi fikrlash va tasnifni amalga oshirish uchun oldingi qatlamlardan olingan xususiyatlarni birlashtiradi. To‘liq bog‘langan qatlamdagi har bir neyron oldingi qatlamdagi har bir neyron bilan bog‘langan bo‘lib, murakkab xususiyatlar kombinatsiyasini ta’minlaydi. To‘liq bog‘langan qatlamlarning chiqishi odatda ko‘p sinfli tasniflash vazifalari uchun softmax faollashtirish funksiyasiga beriladi.
Chiqish qatlami kerakli natijani (masalan, tasniflash ehtimoli, segmentatsiya maskalari) ishlab chiqarish uchun mas’ul bo‘lgan CNN ning yakuniy qatlamini ifodalaydi. Chiqish qatlamidagi neyronlar soni chiqishdagi sinflar yoki maqsadli kanallar soniga to‘g‘ri keladi (masalan, tasniflash uchun sinfga bitta neyron, segmentatsiya uchun pikselga bitta neyron).
Qo‘shimcha komponentlar: To‘plamni normallashtirish: treningni barqarorlashtirish va tezlashtirish uchun qatlam kiritishlarini normallashtiradi.
Dropout: Mashg‘ulot paytida haddan tashqari moslashishning oldini olish uchun tasodifiy birliklarni tushiradi.
Ulanishlarni o‘tkazib yuborish (qoldiq tarmoqlar): gradient oqimini osonlashtirish va yo‘qolgan gradient muammolarini yengillashtirish orqali chuqurroq arxitekturani yoqadi.
CNN gradientga asoslangan optimallashtirish algoritmlari (masalan, stokastik gradient tushishi) yordamida yo‘qotish funktsiyasini (masalan, o‘zaro entropiya yo‘qotilishi) kamaytirish uchun o‘qitiladi, bu bashorat qilingan va asosiy haqiqat natijalari o‘rtasidagi tafovutni o‘lchaydi. Backpropagation gradientlarni hisoblash va tarmoq parametrlarini iterativ ravishda yangilash uchun ishlatiladi.
CNN arxitekturasi ierarxik xususiyatlarni o‘rganish va abstraktsiya qilish imkonini beruvchi kirish ma’lumotlaridagi mahalliy fazoviy korrelyatsiyalardan foydalanish uchun mo‘ljallangan. Bu CNN-larni kompyuterni ko‘rishning keng ko‘lamli vazifalari, jumladan, tibbiy tasvirlarni tahlil qilish va rentgen tasvirlaridan 3D modellashtirish uchun juda mos keladi.
Konvolyutsion neyron tarmoqlari (CNN) kabi sun’iy intellekt (AI) usullaridan foydalangan holda rentgen tasvirlarida qiziqish tuzilmalarini aniqlash va izolyatsiya qilish anatomik hududlarni yoki anormalliklarni aniq segmentatsiyalashga qaratilgan bir necha bosqichlarni o‘z ichiga oladi. AI bu vazifani qanday bajarishi haqida batafsil kO‘rib chiqamiz:
|
| |
