محققان دانشگاه ایالتی کارولینای شمالی چارچوبی جدید برای ساخت شبکه های عصبی عمیق از طریق تولید کنندگان شبکه گرامر هدایت کرده اند. در آزمایش های تجربی ، شبکه های جدید با نام AOGNets از فریم ورک های مدرن موجود ، از جمله سیستم های ResNet و DenseNet به طور گسترده استفاده می کنند ، در کارهای تشخیص تصویری.
Tianfu Wu ، استادیار مهندسی برق و کامپیوتر در ایالت NC و نویسنده مسئول مقاله در مورد این کار می گوید: "AOGNets از دقت پیش بینی بهتری نسبت به هر یک از شبکه هایی که ما آن را با آنها مقایسه کرده ایم". "AOGNets همچنین قابل تفسیر تر است ، به این معنی که کاربران می توانند ببینند چگونه سیستم به نتیجه گیری خود می رسد."
چارچوب جدید پمپ وکیوم از یک رویکرد دستور زبان ترکیبی برای معماری سیستم استفاده می کند که بهترین شیوه های سیستم های شبکه قبلی را به کار می گیرد تا به صورت موثرتر اطلاعات مفیدی را از داده های خام استخراج کند.
وو می گوید: "ما دریافتیم که گرامر سلسله مراتبی و ترکیبی یک روش ساده و زیبا برای یکپارچه سازی رویکردهای معماری سیستم قبلی به ما داده است و به بهترین دانش ما ، این نخستین اثری است که از گرامر برای تولید شبکه استفاده می کند."
محققان برای آزمایش چارچوب جدید خود ، AOGNets تهیه کرده و آنها را در برابر سه معیار طبقه بندی تصویر: CIFAR-10 ، CIFAR-100 و ImageNet-1K آزمایش کردند.
وو می گوید: "AOGNets عملکرد قابل توجهی بهتر از همه شبکه های مدرن با مقایسه عادلانه از جمله به دست آورد." "AOGNets همچنین بهترین نمره interpretability مدل با استفاده از کالبد شکافی شبکه متریک به دست آمده در ImageNet. AOGNets بیشتر را نشان می دهد پتانسیل بسیار زیادی در دفاع خصمانه و به کارگیری پلت فرم اگنوستیک (تلفن همراه در مقابل ابر)."
محققان همچنین با استفاده از سیستم وانیل ماسک R-CNN ، عملکرد AOGNets را در تشخیص اشیاء و بخش بندی معنایی نمونه ، بر اساس معیار Microsoft COCO آزمایش کردند .
وو می گوید: "AOGNets از ستون فقرات و با اندازه مدلهای کوچکتر و زمان استنتاج مشابه یا کمی بهتر نتیجه بهتری کسب کرد." "نتایج نشان می دهد اثربخشی یادگیری AOGNets از ویژگیهای بهتری در کارهای تشخیص و تفکیک شی.
این تستها به این دلیل مرتبط هستند که طبقه بندی تصویر یکی از اصلی ترین کارها در تشخیص بصری است و ImageNet معیار طبقه بندی استاندارد در مقیاس بزرگ است. به همین ترتیب ، تشخیص اشیاء و تقسیم بندی دو وظیفه بینایی در سطح بالا هستند و MS-COCO یکی از معیارهای بسیار مورد استفاده است.
وو می گوید: "برای ارزیابی معماری های جدید شبکه برای یادگیری عمیق در شناخت بصری ، آنها تخته های طلایی هستند." "AOGNets تحت یک چارچوب دستور زبان اصولی توسعه داده می شود و پیشرفت قابل توجهی در هر دو ImageNet و MS-COCO بدست می آورند ، بنابراین اثرات بالقوه گسترده و عمیقی برای یادگیری بازنمایی در برنامه های کاربردی متعدد عملی نشان می دهند.
وو می گوید: "ما از چارچوب AOGNet با راهنمایی دستور زبان هیجان زده ایم و در حال بررسی عملکرد آن در سایر برنامه های یادگیری عمیق مانند درک عمیق زبان طبیعی ، یادگیری عمیق عمیق و یادگیری تقویت عمیق هستیم."
مقاله "AOGNets: معماری دستوری ترکیبی برای یادگیری عمیق" در کنفرانس شناخت بینایی رایانه و الگوی IEEE ، که از 16 تا 20 ژوئن در لانگ بیچ برگزار می شود ، ارائه می شود. .D دانشجوی NC ایالت. این مقاله توسط نویسنده Xi Song ، یک محقق مستقل ، همکاری شده است.
محققان دانشگاه ایالتی کارولینای شمالی چارچوبی جدید برای ساخت شبکه های عصبی عمیق از طریق تولید کنندگان شبکه گرامر هدایت کرده اند. در آزمایش های تجربی ، شبکه های جدید با نام AOGNets از فریم ورک های مدرن موجود ، از جمله سیستم های ResNet و DenseNet به طور گسترده استفاده می کنند ، در کارهای تشخیص تصویری.
Tianfu Wu ، استادیار مهندسی برق و کامپیوتر در ایالت NC و نویسنده مسئول مقاله در مورد این کار می گوید: "AOGNets از دقت پیش بینی بهتری نسبت به هر یک از شبکه هایی که ما آن را با آنها مقایسه کرده ایم". "AOGNets همچنین قابل تفسیر تر است ، به این معنی که کاربران می توانند ببینند چگونه سیستم به نتیجه گیری خود می رسد."
چارچوب جدید پمپ وکیوم از یک رویکرد دستور زبان ترکیبی برای معماری سیستم استفاده می کند که بهترین شیوه های سیستم های شبکه قبلی را به کار می گیرد تا به صورت موثرتر اطلاعات مفیدی را از داده های خام استخراج کند.
وو می گوید: "ما دریافتیم که گرامر سلسله مراتبی و ترکیبی یک روش ساده و زیبا برای یکپارچه سازی رویکردهای معماری سیستم قبلی به ما داده است و به بهترین دانش ما ، این نخستین اثری است که از گرامر برای تولید شبکه استفاده می کند."
محققان برای آزمایش چارچوب جدید خود ، AOGNets تهیه کرده و آنها را در برابر سه معیار طبقه بندی تصویر: CIFAR-10 ، CIFAR-100 و ImageNet-1K آزمایش کردند.
وو می گوید: "AOGNets عملکرد قابل توجهی بهتر از همه شبکه های مدرن با مقایسه عادلانه از جمله به دست آورد." "AOGNets همچنین بهترین نمره interpretability مدل با استفاده از کالبد شکافی شبکه متریک به دست آمده در ImageNet. AOGNets بیشتر را نشان می دهد پتانسیل بسیار زیادی در دفاع خصمانه و به کارگیری پلت فرم اگنوستیک (تلفن همراه در مقابل ابر)."
محققان همچنین با استفاده از سیستم وانیل ماسک R-CNN ، عملکرد AOGNets را در تشخیص اشیاء و بخش بندی معنایی نمونه ، بر اساس معیار Microsoft COCO آزمایش کردند .
وو می گوید: "AOGNets از ستون فقرات و با اندازه مدلهای کوچکتر و زمان استنتاج مشابه یا کمی بهتر نتیجه بهتری کسب کرد." "نتایج نشان می دهد اثربخشی یادگیری AOGNets از ویژگیهای بهتری در کارهای تشخیص و تفکیک شی.
این تستها به این دلیل مرتبط هستند که طبقه بندی تصویر یکی از اصلی ترین کارها در تشخیص بصری است و ImageNet معیار طبقه بندی استاندارد در مقیاس بزرگ است. به همین ترتیب ، تشخیص اشیاء و تقسیم بندی دو وظیفه بینایی در سطح بالا هستند و MS-COCO یکی از معیارهای بسیار مورد استفاده است.
وو می گوید: "برای ارزیابی معماری های جدید شبکه برای یادگیری عمیق در شناخت بصری ، آنها تخته های طلایی هستند." "AOGNets تحت یک چارچوب دستور زبان اصولی توسعه داده می شود و پیشرفت قابل توجهی در هر دو ImageNet و MS-COCO بدست می آورند ، بنابراین اثرات بالقوه گسترده و عمیقی برای یادگیری بازنمایی در برنامه های کاربردی متعدد عملی نشان می دهند.
وو می گوید: "ما از چارچوب AOGNet با راهنمایی دستور زبان هیجان زده ایم و در حال بررسی عملکرد آن در سایر برنامه های یادگیری عمیق مانند درک عمیق زبان طبیعی ، یادگیری عمیق عمیق و یادگیری تقویت عمیق هستیم."
مقاله "AOGNets: معماری دستوری ترکیبی برای یادگیری عمیق" در کنفرانس شناخت بینایی رایانه و الگوی IEEE ، که از 16 تا 20 ژوئن در لانگ بیچ برگزار می شود ، ارائه می شود. .D دانشجوی NC ایالت. این مقاله توسط نویسنده Xi Song ، یک محقق مستقل ، همکاری شده است.
یک سیستم پوشیدنی برای حمایت از سلامت و پشتیبانی از آگاهی از متن