新しいデータ処理エンジンにより、ディープニューラルネットワークがよりスマートに

「特性の正規化は、ディープニューラルネットワークトレーニングの重要な要素であり、

関数は、生データから抽出されたどの関数がタスクを完了するために最も重要であるかをネットワークが強調するのに役立つため、同様に重要です」と説明しますTianfu Wu、ノースカロライナ州立大学の電気およびコンピューター工学の助教授。「しかし、ほとんどの場合、それらは別々に処理されていました。それらを組み合わせることで、より効率的かつ効果的になることがわかりました。」

ANモジュールをテストするには、研究者たちはそれを、ResNets、DenseNets、MobileNetsV2、AOGNetsの4つの最も広く使用されているニューラルネットワークアーキテクチャに接続しています。次に、ImageNet-1000分類テストとオブジェクト検出およびインスタンスセグメンテーション2017 MS-COCOテストという2つの業界標準メトリックに対してネットワークをテストしました。

「ANがパフォーマンスを向上させることがわかりました両方のテストの4つのアーキテクチャすべてについて、「ウーは言った。 「たとえば、ImageNet-1000のトップ1の精度は0.5-2.7％向上しました。 MS-COCOでは、バウンディングボックスの平均精度（AP）の精度が1.8％、セマンティックマスクの2.2％に増加しました。 ANのもう1つの利点は、異なるドメイン間での学習の移行が容易になることです。たとえば、ImageNetでの画像分類から、MS-COCOでのオブジェクト検出とセマンティックセグメンテーションまで。これは、以前にMS-COCOでImageNetによってトレーニングされたディープニューラルネットワークを微調整することによって得られた、MS-COCOベンチマークのパフォーマンスの向上によって示されます。

「私たちはソースコードをリリースしました。ANがディープニューラルネットワークのより良い統合設計につながることを願っています」と科学者たちは結論付けています。

また読む

終末の氷河は、科学者が考えていたよりも危険であることが判明した。主なことを伝えます

地球外生命体の証拠が2つ同時に現れました。 1つは金星に、もう1つはどこにいるかわからない

天王星の月はより惑星のようであることが判明しました