Esistono numerose forme di reti neurali convoluzionali, insieme a CNN convenzionali, reti neurali ricorrenti, reti totalmente convoluzionali e reti di trasformatori spaziali, tra le altre.
CNN convenzionali
Le CNN convenzionali, spesso note come CNN "vanilla", comprendono una raccolta di livelli convoluzionali e raggruppati, adottati da un numero di livelli totalmente correlati. Come accennato in precedenza, ogni livello convoluzionale in questa comunità esegue una raccolta di convoluzioni con una serie di filtri apprendibili per estrarre le opzioni dall'immagine di ingresso.
La struttura Lenet-5, una delle prime CNN efficienti per il riconoscimento di cifre scritte a mano, esemplifica una CNN convenzionale. Ha due unità di strati di convoluzione e raggruppamento che seguono due strati totalmente correlati. L'efficacia delle CNN nel riconoscimento delle immagini è stata confermata dalla struttura Lenet-5, che le ha inoltre rese più ampiamente utilizzate nei compiti immaginativi e preveggenti del computer.
Reti neurali ricorrenti
Le reti neurali ricorrenti (RNN) sono una sorta di reti neurali che possono sviluppare dati sequenziali monitorando il contesto degli input precedenti. Le reti neurali ripetitive possono eseguire input di varie lunghezze e produrre output in base agli input precedenti, a differenza delle tipiche reti neurali feedforward, che si limitano a immettere informazioni in un ordine prestabilito.
Ad esempio, gli RNN possono essere utilizzati in azioni NLP corrispondenti all'era del contenuto testuale o alla traduzione linguistica. Una comunità neurale ricorrente sarà esperta su coppie di frasi in due lingue totalmente diverse da insegnare a tradurre tra le 2.
L'RNN elabora i dati uno dopo l'altro e ad ogni passaggio produce un documento di output basandosi sul documento di immissione e sull'output precedente. L'RNN può produrre traduzioni corrette anche per testi complicati perché tiene traccia degli input e degli output precedenti.
Reti totalmente piegate
Le reti totalmente convoluzionali (FCN) sono una sorta di struttura di comunità neurale generalmente utilizzata nei compiti immaginativi e preveggenti del computer corrispondenti alla segmentazione dell'immagine, al rilevamento di oggetti e alla classificazione dell'immagine. Gli FCN saranno costantemente esperti nell'utilizzo della backpropagation per classificare o sezionare le foto.
Backpropagation è un algoritmo di coaching che calcola i gradienti dell'operazione di perdita tramite i pesi di una comunità neurale. Una macchina che studia la capacità di un manichino di predire l'output previsto per una data entrata viene misurata da un giro di perdita.
Gli FCN si basano principalmente esclusivamente su livelli convoluzionali in quanto non hanno livelli totalmente correlati, rendendoli più adattabili e rispettosi dell'ambiente computazionale rispetto alle reti neurali convoluzionali convenzionali. Una comunità che accetta un'immagine di ingresso e restituisce il posizionamento e la classificazione degli oggetti all'interno dell'immagine è un'istanza di un FCN.
Comunità di trasformatori spaziali
Una comunità di trasformatori spaziali (STN) viene utilizzata nei compiti immaginativi e preveggenti del PC per migliorare l'invarianza spaziale delle opzioni scoperte dalla comunità. La flessibilità di una comunità neurale di riconoscere modelli o oggetti in un'immagine indipendentemente dalla loro posizione geografica, orientamento o dimensione è nota come invarianza spaziale.
Una comunità che applica una trasformazione spaziale rilevata a un'immagine di ingresso prima dell'ulteriore elaborazione è un'istanza di un STN. La trasformazione può benissimo essere utilizzata per allineare gli oggetti in tutta l'immagine, correggere le distorsioni prospettiche o apportare diverse modifiche spaziali per migliorare l'efficienza della comunità in un particolare lavoro.
Una modifica si riferisce a qualsiasi operazione che modifica indirettamente un'immagine, corrispondente a B. ruotare, ridimensionare o ritagliare. L'allineamento si riferisce ai mezzi per garantire che gli oggetti in un'immagine siano centrati, allineati o posizionati in un approccio costante e significativo.
La distorsione prospettica si verifica quando gli oggetti in un'immagine sembrano deformati o distorti a causa dell'angolo o della distanza da cui è stata scattata l'immagine. Facendo uso di una serie di trasformazioni matematiche dell'immagine, corrispondenti a B. trasformazioni affini possono essere utilizzate per correggere la distorsione prospettica. Le trasformazioni affini proteggono le tracce parallele e le relazioni di distanza tra fattori a destra per distorsioni prospettiche o diverse modifiche spaziali in un'immagine.
Le modifiche spaziali si verificano con qualsiasi cambiamento all'interno della costruzione spaziale di un'immagine, corrispondente a B. Ribaltamento, rotazione o spostamento dell'immagine. Queste modifiche possono aumentare la conoscenza del coaching o gestire sfide particolari all'interno del processo, corrispondenti a: B. variazioni di illuminazione, distinzione o background.
