Konvoluutiohermoverkkoja on useita muotoja yhdessä tavanomaisten CNN-verkkojen, toistuvien hermoverkkojen, täysin konvoluutioverkkojen ja spatiaalisten muuntajaverkkojen kanssa.
Perinteiset CNN:t
Perinteiset CNN:t, jotka tunnetaan usein nimellä "vanilja" CNN, sisältävät kokoelman konvoluutio- ja yhdistettyjä kerroksia, jotka useat täysin samankaltaiset kerrokset omaksuvat. Kuten aiemmin puhuttiin, tämän yhteisön jokainen konvoluutiokerros suorittaa kokoelman konvoluutioita joukolla opittavia suodattimia poimimaan valintoja syöttökuvasta.
Lenet-5-rakenne, yksi monista ensimmäisistä tehokkaista CNN:istä käsin kirjoitettujen numeroiden tunnistamiseen, on esimerkki tavanomaisesta CNN:stä. Siinä on kaksi konvoluutio- ja poolauskerrosta, jotka seuraavat kahta täysin toisiinsa liittyvää kerrosta. CNN-verkkojen tehokkuuden kuvantunnistuksessa on vahvistanut Lenet-5-rakenne, mikä on lisäksi tehnyt niistä erityisen laajan hyödynnettynä tietokoneiden mielikuvituksellisissa ja ennakoivissa tehtävissä.
Toistuvat hermoverkot
Toistuvat hermoverkot (RNN:t) ovat eräänlaisia hermoverkkoja, jotka voivat kulkea peräkkäistä tietoa tarkkailemalla aikaisempien syötteiden kontekstia. Toistuvat neuroverkot voivat syöttää eri pituisia syötteitä ja tuottaa lähtöjä aikaisemmista syötteistä riippuen, toisin kuin tyypilliset feedforward-hermoverkot, jotka vain syöttävät tietoa tietyssä järjestyksessä.
RNN:itä voidaan hyödyntää esimerkiksi tekstisisällön aikakautta tai kielenkäännöstä vastaavissa NLP-toiminnoissa. Toistuva hermoyhteisö osaa käyttää lausepareja kahdella täysin eri kielellä, jotta se opetetaan kääntämään 2.
RNN käsittelee tietoja peräkkäin ja tuottaa jokaisessa vaiheessa tulosdokumentin, joka perustuu syötettyyn asiakirjaan ja aikaisempaan tulosteeseen. RNN voi tuottaa oikeat käännökset monimutkaisillekin teksteille, koska se seuraa aikaisempia syötteitä ja lähtöjä.
Täysin taitetut verkot
Totaalisesti konvoluutioverkot (FCN) ovat eräänlainen hermoyhteisörakenne, jota käytetään yleisesti tietokoneen mielikuvituksellisissa ja ennakoivissa tehtävissä, jotka vastaavat kuvan segmentointia, objektien havaitsemista ja kuvan luokittelua. FCN:t ovat jatkuvasti taitavia käyttämällä backpropagaatiota kuvien luokittelussa tai osioissa.
Backpropagation on valmennusalgoritmi, joka laskee tappion gradientit toimimaan hermoyhteisön painojen avulla. Kone, joka tutkii mallinuken kykyä ennustaa tietyn sisääntulon odotettu teho, mitataan tappiolla.
FCN:t perustuvat enimmäkseen yksinomaan konvoluutiokerroksiin, koska niillä ei ole täysin toisiinsa liittyviä kerroksia, mikä tekee niistä erityisen mukautuvia ja laskennallisesti ympäristöystävällisempiä kuin perinteiset konvoluutiohermoverkot. Yhteisö, joka hyväksyy sisääntulokuvan ja tulostaa objektien sijoittelun ja luokituksen koko kuvassa, on FCN:n esiintymä.
Tilamuuntajayhteisö
Spatial Transformer Communityä (STN) käytetään PC:n mielikuvituksellisissa ja ennakoivissa tehtävissä parantamaan yhteisöstä löydettyjen vaihtoehtojen tilallista muuttumattomuutta. Neuraaliyhteisön joustavuus tunnistaa kuvan kuvioita tai esineitä niiden maantieteellisestä sijainnista, suunnasta tai ulottuvuudesta riippumatta tunnetaan spatiaalisena invarianssina.
Yhteisö, joka soveltaa löydettyä spatiaalista muutosta syötettyyn kuvaan ennen lisäkäsittelyä, on STN:n esiintymä. Transformaatiota voidaan hyvin käyttää kohteiden kohdistamiseen koko kuvassa, oikeaan perspektiivivääristymään tai erilaisiin tilamuokkauksiin yhteisön tehokkuuden parantamiseksi tietyssä työssä.
Muutos viittaa mihin tahansa toimintoon, joka muuttaa kuvaa epäsuorasti, mikä vastaa B. rotate, scale tai crop. Kohdistus viittaa keinoihin, joilla varmistetaan, että kuvan kohteet ovat keskitettyjä, kohdistettuja tai sijoitettuja jatkuvalla ja merkittävällä tavalla.
Perspektiivivääristymää tapahtuu, kun kuvan kohteet näyttävät vääntyneiltä tai vääristyneiltä johtuen kulmasta tai etäisyydestä, josta kuva on otettu. Hyödyntämällä useita kuvan matemaattisia muunnoksia, jotka vastaavat B. affine -muunnoksia, voidaan hyödyntää oikeaan perspektiivivääristymään. Affiinimuunnokset suojaavat rinnakkaisia jälkiä ja tekijöiden välisiä etäisyyssuhteita oikeaan perspektiivivääristymiltä tai erilaisilta tilamuokkauksilta kuvassa.
Spatiaaliset muokkaukset tarkistavat minkä tahansa kuvan tilarakenteen muutoksen, joka vastaa B:tä. Kuvan kääntäminen, kääntäminen tai siirtäminen. Nämä muutokset voivat lisätä valmennusosaamista tai käsitellä prosessin erityisiä haasteita, jotka vastaavat: B. valaistusta, erottelua tai taustavaihteluita.
