ReadyPlanet.com


ปัญญาประดิษฐ์เรียนรู้ได้ดีขึ้นเมื่อฟุ้งซ่าน


 บาคาร่า สมัครบาคาร่าคุณควรฝึกระบบ AI ของคุณอย่างไร? คำถามนี้มีความเกี่ยวข้อง เนื่องจากระบบการเรียนรู้เชิงลึกจำนวนมากยังคงเป็นกล่องดำ นักวิทยาศาสตร์คอมพิวเตอร์จากเนเธอร์แลนด์และสเปนได้พิจารณาแล้วว่าระบบการเรียนรู้เชิงลึกที่เหมาะสำหรับการจดจำภาพจะเรียนรู้ที่จะรับรู้สภาพแวดล้อมได้อย่างไร พวกเขาสามารถลดความซับซ้อนของกระบวนการเรียนรู้โดยบังคับให้ระบบมุ่งเน้นไปที่คุณลักษณะรอง

Convolutional Neural Networks (CNNs) เป็นรูปแบบหนึ่งของการเรียนรู้เชิงลึกที่ได้รับแรงบันดาลใจจากชีวภาพในด้านปัญญาประดิษฐ์ ปฏิสัมพันธ์ของ "เซลล์ประสาท" หลายพันตัวเลียนแบบวิธีที่สมองของเราเรียนรู้ที่จะจดจำภาพ Estefanía Talavera Martinez อาจารย์และนักวิจัยจากสถาบัน Bernoulli Institute for Mathematics, Computer Science และ Artificial Intelligence แห่งมหาวิทยาลัย Groningen ประเทศเนเธอร์แลนด์กล่าวว่า "CNN เหล่านี้ประสบความสำเร็จ แต่เราไม่เข้าใจอย่างถ่องแท้ถึงวิธีการทำงาน"

อาหาร

เธอใช้ CNN เองในการวิเคราะห์ภาพที่ทำด้วยกล้องที่สวมใส่ได้ในการศึกษาพฤติกรรมของมนุษย์ เหนือสิ่งอื่นใด Talavera Martinez ได้ศึกษาปฏิสัมพันธ์ของเรากับอาหาร ดังนั้นเธอจึงต้องการให้ระบบรับรู้ถึงการตั้งค่าต่างๆ ที่ผู้คนพบเจอกับอาหาร "ฉันสังเกตเห็นว่าระบบทำผิดพลาดในการจัดประเภทรูปภาพบางภาพและจำเป็นต้องรู้ว่าเหตุใดจึงเกิดขึ้น"

ด้วยการใช้แผนที่ความร้อน เธอวิเคราะห์ว่าซีเอ็นเอ็นใช้ส่วนใดของรูปภาพเพื่อระบุการตั้งค่า "สิ่งนี้นำไปสู่สมมติฐานที่ว่าระบบไม่ได้ดูรายละเอียดเพียงพอ" เธออธิบาย ตัวอย่างเช่น หากระบบ AI สอนตัวเองให้ใช้แก้วเพื่อระบุห้องครัว ก็จะเป็นการจำแนกห้องนั่งเล่น สำนักงาน และสถานที่อื่นๆ ที่ใช้แก้วอย่างไม่ถูกต้อง โซลูชันที่พัฒนาโดย Talavera Martinez และเพื่อนร่วมงานของเธอ David Morales (สถาบันวิจัย Andalusian ใน Data Science and Computational Intelligence, University of Granada) และ Beatriz Remeseiro (ภาควิชาวิทยาการคอมพิวเตอร์ Universidad de Oviedo) ทั้งในสเปนคือการเบี่ยงเบนความสนใจ ระบบจากเป้าหมายหลัก

เบลอ

พวกเขาฝึกซีเอ็นเอ็นโดยใช้ชุดภาพมาตรฐานของเครื่องบินหรือรถยนต์ และระบุผ่านแผนที่ความร้อนซึ่งใช้ส่วนต่างๆ ของภาพในการจำแนกประเภท จากนั้นส่วนต่างๆ เหล่านี้ก็เบลอในชุดรูปภาพ ซึ่งใช้สำหรับการฝึกรอบที่สอง "สิ่งนี้ทำให้ระบบต้องมองหาตัวระบุที่อื่น และด้วยการใช้ข้อมูลเพิ่มเติมนี้ การจัดหมวดหมู่จะละเอียดยิ่งขึ้น"

วิธีการนี้ใช้ได้ดีในชุดภาพมาตรฐาน และประสบความสำเร็จในภาพที่ Talavera Martinez รวบรวมตัวเองจากกล้องที่สวมใส่ได้ "ระบบการฝึกอบรมของเราให้ผลลัพธ์ที่คล้ายกับวิธีอื่นๆ แต่ง่ายกว่ามากและใช้เวลาประมวลผลน้อยกว่า" ความพยายามก่อนหน้านี้ในการเพิ่มการจำแนกประเภทที่ละเอียดรวมถึงการรวมชุดของ CNN ต่างๆ วิธีการที่พัฒนาโดย Talavera Martinez และเพื่อนร่วมงานของเธอนั้นเบากว่ามาก "การศึกษาครั้งนี้ทำให้เรามีความคิดที่ดีขึ้นว่า CNN เหล่านี้เรียนรู้ได้อย่างไร และนั่นช่วยให้เราปรับปรุงโปรแกรมการฝึกอบรม"

 


ผู้ตั้งกระทู้ Rimuru Tempest :: วันที่ลงประกาศ 2021-09-15 16:33:11 IP : 182.232.148.233


แสดงความคิดเห็น
ความคิดเห็น *
ผู้แสดงความคิดเห็น  *
อีเมล 
ไม่ต้องการให้แสดงอีเมล



Copyright © 2010 All Rights Reserved.