Convolutional Neural Network (CNN)

Convolutional Neural Network (CNN) is a multilayer
learning framework, which may consist of an input layer,
a few convolutional layers and an output layer. The goal
of CNN is to learn a hierarchy of feature representations.
Response maps in each layer are convolved with a number
of filters and further down-sampled by pooling operations.
These pooling operations aggregate values in a smaller region
by downsampling functions including max, min, and
average sampling. The learning in CNN is based on Stochastic
Gradient Descent (SGD), which includes two main operations:
Forward and BackPropagation. Please refer to (Le-
Cun and Bengio 1998) for details.
We used a seven layer CNN (including the input layer and
two perception layers for regression output). The first convolution
layer has 32 filters of size 5  5, the second convolution
layer has 32 filters of size 5  5, and the third convolution
layer has 64 filters of size 55, respectively. The first
perception layer has 64 regression outputs and the final perception
layer has 6 regression outputs. Our system considers
6 grasping type classes.

ผลลัพธ์ (ไทย) 1:

สลับลำดับข้อมูลของระบบเครือข่าย (CNN) มีหลายแบบกรอบการเรียนรู้ ซึ่งอาจประกอบด้วยชั้นอินพุตการชั้นกี่สลับลำดับข้อมูลและชั้นการแสดงผล เป้าหมายของซีเอ็นเอ็นเป็นการ เรียนลำดับชั้นของคุณลักษณะแทนตอบแผนที่ในแต่ละชั้นมี convolved มีจำนวนตัวกรอง และเพิ่มเติม ลงว่า โดยดำเนินงานร่วมกันดำเนินการทำพูลเก็บเหล่านี้รวมค่าต่าง ๆ ในภูมิภาคมีขนาดเล็กโดยฟังก์ชั่น downsampling รวมทั้ง max, min และเฉลี่ยจากการสุ่มตัวอย่าง การเรียนรู้ใน CNN ตาม Stochasticไล่ระดับสีโคตร (SGD), ซึ่งรวมถึงการดำเนินการหลักที่สอง:ไปข้างหน้า และ BackPropagation โปรดดูที่ (Le-คันและ Bengio ปี 1998) สำหรับรายละเอียดเราใช้ซีเอ็นเอ็นเจ็ดชั้น (รวมชั้นอินพุต และสองรับรู้ชั้นสำหรับผลลัพธ์การถดถอย) บิดแรกชั้นมี 32 ตัวกรองขนาด 5 5 บิดสองชั้นมี 32 ตัวกรองขนาด 5 5 และพัฒนาสามชั้นมี 64 ตัวกรองขนาด 5 5 ตามลำดับ ครั้งแรกชั้นรับรู้มีผล 64 ถดถอยและการรับรู้ขั้นสุดท้ายชั้นมี 6 ผลการถดถอย พิจารณาระบบของเรา6 มม.ชนิดคลาส

ผลลัพธ์ (ไทย) 2:

ความสับสนโครงข่ายประสาทเทียม (ซีเอ็นเอ็น) เป็นหลาย
กรอบการเรียนรู้ซึ่งอาจประกอบด้วยชั้นป้อนข้อมูล
ชั้นความสับสนและไม่กี่ชั้นเอาท์พุท เป้าหมาย
ของซีเอ็นเอ็นคือการเรียนรู้ลำดับขั้นของการแสดงคุณลักษณะ.
แผนที่การตอบสนองในแต่ละชั้นจะ convolved กับจำนวน
ของตัวกรองและเพิ่มเติมลงตัวอย่างโดยดำเนินงานร่วมกัน.
การดำเนินงานร่วมกันเหล่านี้ค่ารวมในพื้นที่ขนาดเล็ก
โดยฟังก์ชั่น downsampling รวมทั้งแม็กซ์, min และ
การสุ่มตัวอย่างเฉลี่ย การเรียนรู้ในซีเอ็นเอ็นจะขึ้นอยู่กับ Stochastic
ไล่โทนสีโคตร (SGD) ซึ่งรวมถึงการดำเนินงานหลักสอง:
ไปข้างหน้าและการแพร่กระจายย้อนกลับ โปรดดู (เลอ
Cun และ Bengio 1998) สำหรับรายละเอียด.
เราใช้ชั้นเจ็ดซีเอ็นเอ็น (รวมชั้นป้อนข้อมูลและ
สองชั้นการรับรู้สำหรับการส่งออกถดถอย) ม้วนแรกที่
ชั้นมี 32 ฟิลเตอร์ขนาด 5? 5 บิดสอง
ชั้นมี 32 ฟิลเตอร์ขนาด 5? 5 และบิดสาม
ชั้นมี 64 ฟิลเตอร์ขนาด 5? 5 ตามลำดับ ครั้งแรกที่
ชั้นรับรู้มีผลการถดถอย 64 และการรับรู้สุดท้าย
ชั้นมีผลการถดถอย 6 ระบบของเราจะพิจารณา
6 ชั้นเรียนประเภทโลภ