Applications[edit]Image recognition

Applications[edit]
Image recognition[edit]
Convolutional neural networks are often used in image recognition systems. They have achieved an error rate of 0.23 percent on the MNIST database, which as of February 2012 is the lowest achieved on the database.[7] Another paper on using CNN for image classification reported that the learning process was "surprisingly fast"; in the same paper, the best published results at the time were achieved in the MNIST database and the NORB database.[5]
When applied to facial recognition, they were able to contribute to a large decrease in error rate.[27] In another paper, they were able to achieve a 97.6 percent recognition rate on "5,600 still images of more than 10 subjects".[2] CNNs have been used to assess video quality in an objective way after being manually trained; the resulting system had a very low root mean square error.[8]
The ImageNet Large Scale Visual Recognition Challenge is a benchmark in object classification and detection, with millions of images and hundreds of object classes. In theILSVRC 2014, which is large-scale visual recognition challenge, almost every highly ranked team used CNN as their basic framework. The winner GoogLeNet[28] (the foundation of DeepDream) increased the mean average precision of object detection to 0.439329, and reduced classification error to 0.06656, the best result to date. Its network applied more than 30 layers. Performance of convolutional neural networks, on the ImageNet tests, is now close to that of humans.[29] The best algorithms still struggle with objects that are small or thin, such as a small ant on a stem of a flower or a person holding a quill in their hand. They also have trouble with images that have been distorted with filters, an increasingly common phenomenon with modern digital cameras. By contrast, those kinds of images rarely trouble humans. Humans, however, tend to have trouble with other issues. For example, they are not good at classifying objects into fine-grained categories such as the particular breed of dog or species of bird, whereas convolutional neural networks handle this with ease.

ผลลัพธ์ (ไทย) 1:

โปรแกรมประยุกต์ [แก้ไข]จดจำภาพ [แก้ไข]เครือข่ายประสาท convolutional มักใช้ในระบบรู้จำภาพ พวกเขาได้รับมีอัตราผิดพลาดร้อยละ 0.23 ในฐานข้อมูล MNIST ซึ่งเดือนกุมภาพันธ์ 2555 เป็นที่ทำได้ต่ำสุดบนฐานข้อมูล [7] กระดาษอีกในซีเอ็นเอ็นโดยใช้การจัดรูปภาพรายงานว่า กระบวนการเรียนรู้คือ "จู่ ๆ รวดเร็ว" ในกระดาษเดียวกัน ส่วนประกาศผลเมื่อได้รับในฐานข้อมูล MNIST ฐานข้อมูล NORB [5]เมื่อใช้การจดจำใบหน้า พวกเขาสามารถมีส่วนร่วมเพื่อการลดขนาดใหญ่ในอัตราข้อผิดพลาด [27] ในกระดาษอื่น พวกเขาก็สามารถให้อัตราการรู้จำร้อยละ 97.6 บน "5600 ยังคงภาพมากกว่า 10 เรื่อง" [2] ใช้ในการประเมินคุณภาพของวิดีโอในทางวัตถุประสงค์หลังจากถูกด้วยตนเองผ่านการฝึกอบรม CNNs ระบบเกิดข้อผิดพลาดต่ำมากรากค่าเฉลี่ยกำลังสองได้ [8]ImageNet ใหญ่ขนาดภาพการรับรู้ความท้าทายเป็นเกณฑ์มาตรฐานในการจัดประเภทวัตถุและตรวจพบ นับล้านภาพและร้อยคลาสออบเจ็กต์ ใน theILSVRC 2014 ซึ่งเป็นการรับรู้ภาพขนาดใหญ่ความท้าทาย เกือบทุกทีมอันดับสูงใช้ซีเอ็นเอ็นเป็นกรอบพื้นฐานของพวกเขา ผู้ชนะ GoogLeNet [28] (มูลนิธิของ DeepDream) เพิ่มความแม่นยำเฉลี่ยเฉลี่ยของวัตถุตรวจจับกับ 0.439329 และประเภทลดข้อผิดพลาดการ 0.06656 ผลลัพธ์ที่ดีที่สุดวันที่ เครือข่ายที่ใช้มากกว่า 30 ชั้น ประสิทธิภาพของ convolutional ข่ายประสาท เกี่ยวกับการทดสอบ ImageNet ขณะนี้กับที่มนุษย์ [29] อัลกอริทึมสุดยังคงต่อสู้กับวัตถุที่มีขนาดเล็ก หรือขนาด บาง เช่นมดเล็ก ๆ บนก้านของดอกไม้ถือเป็นขนนกในมือของพวกเขา นอกจากนี้พวกเขายังมีปัญหากับภาพที่ได้ผิดเพี้ยนกับ ปรากฏการณ์แรงมากกับกล้องดิจิตอลทันสมัย โดยคมชัด ชนิดของภาพเหล่านั้นไม่ค่อยปัญหามนุษย์ อย่างไรก็ตาม มนุษย์ มักจะ มีปัญหากับปัญหาอื่น ๆ ตัวอย่าง จะไม่จัดประเภทวัตถุที่เป็นสายพันธุ์เฉพาะของสุนัขพันธุ์นก หมวดทรายแป้งละเอียดดีขณะเครือข่ายประสาท convolutional จัดการนี้ มีความง่ายในการ

ผลลัพธ์ (ไทย) 2:

การประยุกต์ใช้งาน [แก้ไข]
การรับรู้ภาพ [แก้ไข]
Convolutional เครือข่ายประสาทมักจะใช้ในระบบการรับรู้ภาพ พวกเขาได้ประสบความสำเร็จอัตราความผิดพลาดร้อยละ 0.23 ในฐานข้อมูล MNIST ซึ่งเป็นของเดือนกุมภาพันธ์ 2012 เป็นที่ต่ำที่สุดที่ประสบความสำเร็จในฐานข้อมูล [7] กระดาษอีกเกี่ยวกับการใช้การจัดหมวดหมู่ของซีเอ็นเอ็นรายงานว่าภาพกระบวนการเรียนรู้ก็คือ "น่าแปลกใจอย่างรวดเร็ว". ในบทความเดียวกันผลการเผยแพร่ที่ดีที่สุดในเวลาประสบความสำเร็จในฐานข้อมูล MNIST และฐานข้อมูล Norb ได้. [5]
เมื่อนำไปใช้กับการจดจำใบหน้าพวกเขาก็สามารถที่จะนำไปสู่การลดลงของขนาดใหญ่ในอัตราความผิดพลาด. [27] ในอีก กระดาษพวกเขาก็สามารถที่จะบรรลุอัตราการรู้จำร้อยละ 97.6 ที่ "5,600 ภาพนิ่งมากกว่า 10 เรื่อง" [2] CNNs ได้รับการใช้ในการประเมินคุณภาพของวิดีโอในทางวัตถุประสงค์หลังจากที่ได้รับการฝึกฝนด้วยตนเอง. ระบบส่งผลให้มีรากที่ต่ำมากหมายถึงความผิดพลาดของตาราง. [8]
ขนาดใหญ่ขนาด ImageNet ท้าทายการรับรู้ภาพเป็นมาตรฐานในการจำแนกประเภทวัตถุและการตรวจสอบที่มีนับล้านของภาพและหลายร้อยของการเรียนวัตถุ theILSVRC ในปี 2014 ซึ่งเป็นขนาดใหญ่ความท้าทายการรับรู้ภาพเกือบทุกคนในทีมอันดับสูงที่ใช้ซีเอ็นเอ็นเป็นกรอบพื้นฐานของพวกเขา ผู้ชนะ GoogLeNet [28] (รากฐานของ DeepDream) ที่เพิ่มขึ้นหมายถึงความแม่นยำเฉลี่ยของการตรวจสอบวัตถุ 0.439329 และข้อผิดพลาดการจำแนกลดลง 0.06656 ผลดีที่สุดในปัจจุบัน เครือข่ายที่ใช้มานานกว่า 30 ชั้น ประสิทธิภาพการทำงานของเครือข่ายประสาทความสับสนในการทดสอบ ImageNet ตอนนี้อยู่ใกล้กับที่ของมนุษย์. [29] ขั้นตอนวิธีการที่ดีที่สุดที่ยังคงต่อสู้กับวัตถุที่มีขนาดเล็กหรือบางเช่นมดเล็ก ๆ บนก้านของดอกไม้หรือผู้ดำรงเป็น ปากกาขนนกในมือของพวกเขา พวกเขายังมีปัญหากับภาพที่ได้รับการบิดเบือนที่มีตัวกรองเป็นปรากฏการณ์ที่พบบ่อยมากขึ้นกับกล้องดิจิตอลที่ทันสมัย ในทางตรงกันข้ามชนิดของภาพมนุษย์ไม่ค่อยมีปัญหา มนุษย์ แต่มีแนวโน้มที่จะมีปัญหากับปัญหาอื่น ๆ ตัวอย่างเช่นพวกเขาไม่ดีที่การจำแนกวัตถุออกเป็นหมวดหมู่ที่ละเอียดเช่นสายพันธุ์เฉพาะของสุนัขหรือสายพันธุ์ของนกในขณะที่เครือข่ายประสาท convolutional จัดการนี้ได้อย่างง่ายดาย

ผลลัพธ์ (ไทย) 3:

การใช้งาน [ แก้ไข ]
การรู้จำภาพ [ แก้ไข ]
คอนเครือข่ายประสาทมักจะใช้ภาพในการยอมรับระบบ พวกเขาได้รับข้อผิดพลาดในอัตรา 0.23 เปอร์เซ็นต์บนฐานข้อมูล mnist ซึ่งเป็นกุมภาพันธ์ 2012 ต่ำสุดได้ฐานข้อมูล [ 7 ] กระดาษอื่นในการจำแนกภาพโดยใช้ซีเอ็นเอ็นรายงานว่า การเรียนรู้คือ " เร็ว " จู่ ๆ ในกระดาษเหมือนกันดีที่สุดตีพิมพ์ผลในเวลาถูกพิชิตในฐานข้อมูลและฐานข้อมูล mnist norb [ 5 ]
เมื่อใช้กับใบหน้าได้ พวกเขาก็สามารถที่จะมีส่วนร่วมเพื่อลดขนาดใหญ่ในอัตราความผิดพลาด [ 27 ] ในกระดาษอีก พวกเขาสามารถที่จะบรรลุอัตราการรู้จำร้อยละ 97.6 " 5600 ภาพนิ่งของ 10 กว่าคน "[ 2 ] cnns ได้ถูกใช้เพื่อประเมินคุณภาพของวิดีโอในวัตถุประสงค์ทางหลังจากการฝึกด้วยตนเอง ; ส่งผลให้ระบบรากน้อยมาก ค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง [ 8 ]
imagenet ขนาดใหญ่ได้รับการยอมรับความท้าทายและเป็นมาตรฐานในการจำแนกวัตถุ และตรวจหา กับล้านของภาพและร้อยเรียนวัตถุ ใน theilsvrc 2014 ซึ่งเป็นภาพขนาดใหญ่ได้รับการยอมรับความท้าทายเกือบทุกตำแหน่งสูงทีมงานใช้ CNN เป็นกรอบพื้นฐานของพวกเขา ผู้ชนะ googlenet [ 28 ] ( รากฐานของ deepdream ) เพิ่มค่าเฉลี่ยความแม่นยำในการตรวจจับวัตถุที่จะ 0.439329 และลดข้อผิดพลาดในการจัด 0.06656 ผลที่ดีที่สุดเพื่อวันที่ เครือข่ายที่ใช้มากกว่า 30 ชั้น ประสิทธิภาพของโครงข่ายประสาทเทียมขดบน imagenet การทดสอบคือตอนนี้ใกล้ของมนุษย์ [ 29 ] ขั้นตอนวิธีที่ดีที่สุดยังคงต่อสู้กับวัตถุที่มีขนาดเล็ก หรือ บาง เช่น มดน้อยบนลำต้นของดอกไม้หรือคนถือปากกาขนนกในมือของพวกเขา พวกเขาก็มีปัญหากับภาพที่ถูกบิดเบือนด้วยตัวกรอง เป็นปรากฏการณ์ที่พบบ่อยมากขึ้น ด้วยกล้องดิจิตอลที่ทันสมัย โดยคมชัด , ชนิดของภาพไม่ค่อยมีปัญหามนุษย์ มนุษย์อย่างไรก็ตาม มักจะมีปัญหากับปัญหาอื่น ๆ ตัวอย่างเช่นพวกเขาจะไม่ดีที่แบ่งวัตถุออกเป็นหมวดหมู่ เช่น อย่างละเอียดโดยเฉพาะสายพันธุ์ของสุนัขสายพันธุ์ของนก ในขณะที่โครงข่ายคอนจัดการง่าย

.