Er zijn een aantal vormen van convolutionele neurale netwerken, waaronder conventionele CNN's, terugkerende neurale netwerken, volledig convolutionele netwerken en ruimtelijke transformatornetwerken.
Conventionele CNN's
Conventionele CNN's, vaak bekend als "vanille" CNN's, omvatten een verzameling convolutionele en gepoolde lagen, overgenomen door een aantal totaal verwante lagen. Zoals eerder besproken, voert elke convolutielaag in deze gemeenschap een verzameling convoluties uit met een reeks aanleerbare filters om opties uit de enter-afbeelding te extraheren.
De Lenet-5-structuur, een van de vele eerste efficiënte CNN's voor handgeschreven cijferherkenning, is een voorbeeld van een conventionele CNN. Het heeft twee convolutie- en poollagen die twee totaal verwante lagen volgen. De effectiviteit van CNN's bij beeldherkenning is bevestigd door de Lenet-5-structuur, waardoor ze bovendien extra breed werden gebruikt in fantasierijke en vooruitziende pc-taken.
Terugkerende neurale netwerken
Terugkerende neurale netwerken (RNN's) zijn een soort neurale netwerken die sequentiële kennis kunnen vergaren door de context van eerdere invoer te bewaken. Repetitieve neurale netwerken kunnen inputs van verschillende lengtes verwerken en outputs produceren afhankelijk van de eerdere inputs, in tegenstelling tot typische feedforward neurale netwerken, die informatie alleen in een vaste volgorde invoeren.
RNN's kunnen bijvoorbeeld worden gebruikt in NLP-acties die overeenkomen met het tijdperk van de tekstuele inhoud of taalvertaling. Een terugkerende neurale gemeenschap zal bedreven zijn in paren van zinnen in twee totaal verschillende talen om te leren vertalen tussen de 2.
De RNN verwerkt de gegevens een voor een en produceert bij elke stap een uitvoerdocument op basis van het invoerdocument en de eerdere uitvoer. De RNN kan zelfs voor gecompliceerde teksten de juiste vertalingen produceren, omdat het eerdere invoer en uitvoer bijhoudt.
Totaal gevouwen netwerken
Totally Convolutional Networks (FCN's) zijn een soort neurale gemeenschapsstructuur die over het algemeen wordt gebruikt bij fantasierijke en vooruitziende pc-taken die overeenkomen met beeldsegmentatie, objectdetectie en beeldclassificatie. FCN's zullen constant bedreven zijn in het gebruik van backpropagation om foto's te categoriseren of te delen.
Backpropagation is een coachingsalgoritme dat de gradiënten van het verlies berekent door middel van de gewichten van een neurale gemeenschap. Een machine die het vermogen van een mannequin bestudeert om de verwachte output voor een bepaalde enter te voorspellen, wordt gemeten door een verliesoperatie.
FCN's zijn meestal uitsluitend gebaseerd op convolutionele lagen, omdat ze geen volledig gerelateerde lagen hebben, waardoor ze extra aanpasbaar en computationeel milieuvriendelijker zijn dan conventionele convolutionele neurale netwerken. Een gemeenschap die een enter-afbeelding accepteert en de plaatsing en classificatie van objecten in de hele afbeelding uitvoert, is een instantie van een FCN.
Ruimtelijke transformatorgemeenschap
Een Spatial Transformer Community (STN) wordt gebruikt bij fantasierijke en vooruitziende pc-taken om de ruimtelijke onveranderlijkheid van opties die uit de gemeenschap zijn ontdekt, te vergroten. De flexibiliteit van een neurale gemeenschap om patronen of objecten in een afbeelding te herkennen, ongeacht hun geografische locatie, oriëntatie of dimensie, staat bekend als ruimtelijke invariantie.
Een gemeenschap die een ontdekte ruimtelijke transformatie toepast op een ingevoerd beeld voordat aanvullende verwerking plaatsvindt, is een instantie van een STN. De transformatie kan heel goed worden gebruikt om objecten op de hele foto uit te lijnen, perspectiefvervormingen te corrigeren of verschillende ruimtelijke wijzigingen aan te brengen om de efficiëntie van de gemeenschap bij een bepaalde taak te verbeteren.
Een wijziging verwijst naar elke bewerking die een afbeelding indirect wijzigt, overeenkomend met B. roteren, schalen of bijsnijden. Uitlijning verwijst terug naar de manier om te garanderen dat objecten in een afbeelding gecentreerd, uitgelijnd of gepositioneerd zijn in een constante en significante benadering.
Perspectiefvervorming treedt op wanneer objecten in een foto vervormd of vervormd lijken door de hoek of afstand van waaruit de foto is genomen. Door gebruik te maken van een aantal wiskundige transformaties op het beeld, overeenkomend met B. kunnen affiene transformaties worden gebruikt om perspectivische vervorming te corrigeren. Affiene transformaties beschermen parallelle sporen en afstandsrelaties tussen factoren naar rechts voor perspectiefvervormingen of verschillende ruimtelijke modificaties in een afbeelding.
Ruimtelijke modificaties passen bij elke wijziging binnen de ruimtelijke constructie van een afbeelding, overeenkomend met B. Het spiegelen, roteren of verschuiven van de afbeelding. Deze aanpassingen kunnen de coachingkennis vergroten of specifieke uitdagingen binnen het proces aangaan, overeenkomend met: B. verlichting, onderscheid of achtergrondvariaties.
