Uusi tietojenkäsittelymoottori tekee syvistä hermoverkoista älykkäämpiä

"Ominaisuuksien normalisointi on tärkeä osa syvän neuroverkkojen koulutusta ja huomiota

toiminnot ovat yhtä tärkeitä auttamaanverkkoja korostaakseen, mitkä raakatiedoista poimitut ominaisuudet ovat tärkeimpiä tehtävien suorittamisen kannalta”, selittää Tianfu Wu, NC Staten sähkö- ja tietokonetekniikan apulaisprofessori. "Mutta useimmiten ne käsiteltiin erikseen. Huomasimme, että niiden yhdistäminen teki niistä tehokkaampia."

AN-moduulin testaamiseksitutkijat ovat liittäneet sen neljään eniten käytettyyn hermoverkkoarkkitehtuuriin: ResNets, DenseNets, MobileNetsV2 ja AOGNets. Sitten he testasivat verkkoja kahden alan standardimittarin mukaan: ImageNet-1000-luokitustesti sekä objektien havaitseminen ja ilmentymien segmentointi 2017 MS-COCO -testi.

”Löysimme AN: n parannetun suorituskyvynkaikille neljälle arkkitehtuurille molemmissa testeissä ”, Wu sanoi. "Esimerkiksi ImageNet-1000: n Top-1-tarkkuus on parantunut 0,5-2,7%. Keskimääräinen tarkkuuden (AP) tarkkuus nousi 1,8%: iin rajoittavalla laatikolla ja 2,2%: iin semanttiselle maskille MS-COCO: ssa. AN: n etuna on myös se, että se helpottaa oppimisen siirtymistä eri alueiden välillä. Esimerkiksi ImageNetin kuvaluokituksesta objektien havaitsemiseen ja semanttiseen segmentointiin MS-COCO: ssa. Tätä kuvaa MS-COCO-vertailuarvon suorituskyvyn parannus, joka saatiin hienosäätämällä ImageNetin aiemmin MS-COCO: ssa kouluttamia syviä hermoverkkoja. "

"Olemme julkaisseet lähdekoodin ja toivomme, että AN johtaa entistä parempaan integrointisuunnitteluun syvän hermoverkkojen", tutkijat päättelevät.

Lue myös

Tuomiopäivän jäätikkö osoittautui vaarallisemmaksi kuin tutkijat ajattelivat. Kerromme pääasia

Kaksi todistetta maan ulkopuolisesta elämästä syntyi kerralla. Yksi Venuksella, toinen - kukaan ei tiedä missä

Kävi ilmi, että Uranuksen kuut ovat enemmän kuin planeettoja