Klassik chuqur modellarga kirish

Toÿliq matn: http://dx.doi.org/10.1561/2000000071
.
.
.
. 83
.
.
.
.
.
.
iii
5 Yuzni tanib olishda chuqur o'rganish 5.1 Yuzni
aniqlashda chuqur o'rganish jarayoni.
. 92
.
.
.
.
.
.
106
.
.
.
.
.
.
.
.
.
8.4 O'zgaruvchan chuqur tarmoq: aralashma komponentlarini modellashtirish. 118
.
.
.
7.4 Oldindan tayyorgarlik.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. 67
.
.
.
.
.
. 85
.
.
.
.
. 48
.
.
. 98
5.3 Tasdiqlash topshirig'i bilan yuzni chuqur o'rganish. 61
.
.
.
.
.
.
5.7 Chuqur o'rganilgan yuz tasvirining xususiyatlari.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
7.6 Kontekstni modellashtirish.
.
.
.
.
.
4.5 GoogLeNet.
.
.
.
5.8 Ko'p ko'rinishda yuz tasvirini chuqur o'rganish.
.
.
.
.
.
.
.
.
.
.
.
.
.
7.7 Modelning o'rtacha qiymati.
.
.
.
.
.
.
4.6 Kichik ma'lumotlar to'plamlari bo'yicha chuqur o'rganish.
.
.
.
.
.
.
.
.
.
.
.
.
.
. 63
.
6.3 Ikki tarmoqli CNN modellari.
.
.
.
.
82
.
.
. 104
.
.
90
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
8.2 Semantik vazifalar yordamida piyodalarni aniqlash. . 112
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
identifikatsiya - tekshirish.
.
.
.
.
.
.
8.3 Ko'p bosqichli chuqur o'rganish: kaskadli detektorlarni simulyatsiya qilish. 114
.
.
.
7.3 DeepID-Net.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. 66
.
.
.
.
.
.
. 84
.
.
.
4.4 VGG.
.
.
5.2 Subface usullari bilan yuzni aniqlash. . 58
. 95
.
.
.
.
.
5.6 Subspace usullari va DeepID2 solishtirish.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
7.5 CNN bilan ob'ekt qismlarining model deformatsiyasi.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. 68
.
.
.
.
.
.
6.1 3D fazo-vaqt filtrlarini o'rganish.
.
.
.
. 50
.
.
. 100
5.4 DeepID: identifikatsiya vazifasi orqali yuzni chuqur o'rganish.
.
.
.
7 Umumiy ob'ektni aniqlashda chuqur o'rganish 7.1
ImageNet'da ob'ektni aniqlash vazifasi.
.
.
.
.
.
.
. 78
.
.
.
.
.
.
.
6.2 Ko'p bosqichli sintez.
.
.
.
6 Video tasnifida chuqur o'rganish
. 50
.
. 103
. 55
.
.
7.2 RCNN.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
8 Piyodalarni aniqlashda chuqur o'rganish 8.1 Birgalikda
chuqur o'rganish: aniqlash quvurini birgalikda optimallashtirish. 107
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5.5 DeepID2: yuzni bo'g'in orqali chuqur o'rganish
.
.
6.4 Uzoq qisqa muddatli xotira (LSTM) tarmog'i .
.
.
.
.
. 82
.
.
.
.
.
54
. 90
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Machine Translated by Google

Toÿliq matn: http://dx.doi.org/10.1561/2000000071
.
.
.
.
.
.
.
9 Yuz va inson belgilarini aniqlashda chuqur o'rganish 9.1 Yuz belgilarini
aniqlash uchun chuqur CNN kaskadi.
.
11 Yuzni tahlil qilish va odamni tahlil qilish
.
.
.
tasnifi.
. 131
.
.
.
.
.
. 142
152
.
.
.
.
.
.
.
.
.
.
.
.
121
.
.
10.4 CNN-ga asoslangan butun tasvirni piksel bo'yicha tasniflash
.
.
.
. 130
.
. 127
.
.
. 139
.
.
.
.
.
.
.
.
.
12 Aniqlikni aniqlash uchun chuqur CNN 12.1 Ko'p
kontekstli chuqur CNN.
.
.
.
. 128
.
. 126
.
.
.
.
.
.
.
.
.
. 146
.
133
9.2 Yuz belgilarini aniqlash uchun chuqur ko'p vazifali o'rganish.
.
.
.
. 123
.
.
.
.
.
.
.
.
126
.
.
.
.
.
13 Munozaralar va kelajakdagi ishlar
.
.
.
10.2 Segmentatsiya bo'yicha takliflar bo'yicha tasniflash.
.
.
10.5 Yuqori samarali oldinga va orqaga tarqalish.
9.4 Inson belgilarini aniqlash bo'yicha boshqa ishlar. . 125
.
11.2 Insonni chuqur parchalanish tarmog'i bilan tahlil qilish.
.
.
.
.
.
.
8.5 Boshqa chuqur o'rganishga asoslangan piyodalarni aniqlash ishlari.
.
.
.
.
.
.
. 127
.
.
12.2 Oldindan tayyorgarlik.
.
.
.
10 Tasvir segmentatsiyasini chuqur o'rganish 10.1
Patch-by-patch skanerlash.
.
.
.
9.3 Inson belgilarini aniqlash uchun ko'p manbali chuqur o'rganish. 123
.
11.1 O'zaro rejimli avtokoder yordamida yuzni tahlil qilish.
.
.
iv
.
.
.
.
.
.
.
.
.
Ma'lumotnomalar
.
.
.
.
.
.
.
138
.
10.3 To'liq bog'langan qatlamli segmentatsiya xaritalarida to'g'ridan-to'g'ri bashorat
qilish.
.
.
.
. 134
.
.
.
.
.
.
.
. 120
.
10.6 To'liq konvolyutsion neyron tarmoq.
.
.
.
148
.
.
12.3 Turli tarmoq tuzilmalari bo'yicha tekshirish.
.
.
.
.
.
.
. 121
.
. 133
Machine Translated by Google

nutqni aniqlash, tabiiy tilni qayta ishlash, kompyuterda ko'rish, tasvir va videolarni
qayta ishlash va multimedia kabi sohalar. Ushbu maqola
Aniqlash qismi ImageNet-da umumiy ob'ektni aniqlash, piyodalarni aniqlash, yuz
belgilarini aniqlash (yuzni tekislash) va insonni qamrab oladi.
tartib. Videolar vaqtinchalik o'lchovni o'z ichiga oladi. Shuning uchun ular kerak
Ushbu ilovalarning aniq misollari orqali biz tushuntiramiz
orientirni aniqlash (pozani baholash). Segmentatsiya tomonida
Sun'iy intellektdagi katta yutuq sifatida chuqur o'rganish mavjud
turli xil chuqur modellar bilan ishlov berish. Barcha tanlangan domen ilovalari
kompyuterni ko'rishda katta e'tiborga sazovor bo'ldi
Ob'ektni tanib olish bo'yicha muhokama qilingan tadqiqot mavzulari tasvirni o'z ichiga oladi
va yuz tasvirlari muntazam tuzilmalarga ega, umumiy ob'ekt va sahna
Qoplangan dastur domenlari ham juda xilma-xildir. Inson
ImageNet-da tasniflash, yuzni tanish va video tasnifi.
tasvirlar geometrik tuzilmalarda ancha murakkab o'zgarishlarga ega va
massiv ta'lim ma'lumotlari va kirish ma'lumotlarining yashirin omillarini ajratib turadi
neyron tarmoqlari va piksellar bo'yicha tasniflash vazifasi uchun maxsus ishlab
chiqilgan yuqori samarali oldinga va orqaga tarqalish algoritmlari.
chuqur o'rganishning tarixiy ko'rinishini taqdim etadi va uning ob'ektni aniqlash,
aniqlash va segmentlashda qo'llanilishiga e'tibor beradi.
tasvirlar va videolar.
chuqur o'rganish an'anaviy kompyuter ko'rish tizimlaridan ustun turadigan asosiy
fikrlar. (1) An'anaviy naqshni aniqlash tizimlaridan farq qiladi, ular asosan qo'lda
ishlab chiqilgan xususiyatlarga tayanadi, chuqur
o'rganish ierarxik xususiyatlar ko'rinishlarini avtomatik ravishda o'rganadi
kompyuterni ko'rishning asosiy muammolari va ko'plab ilovalarga ega
tanishtirilsin.
va multimedia hamjamiyatlari.
ko'pchilikda katta muammolarni hal qilishda juda ta'sirli muvaffaqiyatlarga erishdi
Maqolada sahna yorlig'i, semantik bo'yicha eng so'nggi yutuqlar muhokama qilinadi
segmentatsiya, yuzni tahlil qilish, odamni tahlil qilish va aniqlikni aniqlash. Ob'ektni
aniqlash butun tasvirni tasniflash, aniqlash va segmentatsiyalash esa piksel
bo'yicha tasniflash vazifalari hisoblanadi. Ularning asosiy-aqliy farqlari ushbu
maqolada muhokama qilinadi. To'liq konvolyutsion
Toÿliq matn: http://dx.doi.org/10.1561/2000000071
Abstrakt
Machine Translated by Google

X. Vang. Ob'ektni tanib olish, aniqlash va segmentlash bo'yicha chuqur o'rganish.
Signalni qayta ishlashda asoslar va tendentsiyalarR , jild. 8, yo'q. 4, 217–382-betlar, 2014 yil.
DOI: 10.1561/2000000071.
Toÿliq matn: http://dx.doi.org/10.1561/2000000071
Nihoyat, ob'ektni tanib olish, aniqlash va segmentatsiyalashda chuqur o'rganish
bo'yicha ba'zi ochiq savollar va kelajakdagi ishlar muhokama qilinadi.
ko'p darajali chiziqli bo'lmagan xaritalar orqali. (2) Ularning asosiy komponentlarini
ketma-ket loyihalashtiradigan yoki o'rgatadigan mavjud namunalarni aniqlash
tizimlaridan farqli o'laroq, chuqur o'rganish ular o'rtasidagi yaqin o'zaro ta'sirlar orqali
barcha komponentlar va kassa sinergiyasini birgalikda optimallashtirishga qodir. (3)
Chuqur modellar, ayniqsa, chuqur tuzilmalari bilan global kontekstual xususiyat
namoyishini o'rganishda yaxshi. (4) Chuqur modellarning katta o'rganish
imkoniyatlaridan foydalangan holda, ba'zi klassik kompyuter ko'rish muammolari
yuqori o'lchamli ma'lumotlarni o'zgartirish muammolari sifatida qayta ko'rib chiqilishi
va yangi nuqtai nazardan hal qilinishi mumkin.
2
Ko'pgina mashinalarni o'rganish modellarini sayoz tuzilmalarga ega neyron tarmoqlar
bilan yaqinlashtirish mumkin bo'lsa-da, ba'zi vazifalar uchun chuqur modellarning
ekspressiv kuchi ularning arxitekturasi chuqurlashgani sayin eksponent ravishda oshadi.
Machine Translated by Google

Download 1,33 Mb.