“A normalização de recursos é um elemento importante do treinamento de redes neurais profundas e da atenção a
Para testar seu módulo AN,pesquisadores o conectaram às quatro arquiteturas de rede neural mais amplamente utilizadas: ResNets, DenseNets, MobileNetsV2 e AOGNets. Em seguida, eles testaram as redes em relação a duas métricas padrão do setor: teste de classificação ImageNet-1000 e detecção de objetos e segmentação de instância 2017 teste MS-COCO.
“Descobrimos que AN melhorou o desempenhopara todas as quatro arquiteturas em ambos os testes ”, disse Wu. “Por exemplo, a precisão do Top-1 no ImageNet-1000 melhorou em 0,5-2,7%. A exatidão da precisão média (AP) aumentou para 1,8% para a caixa delimitadora e 2,2% para a máscara semântica no MS-COCO. Outra vantagem da AN é que ela facilita uma melhor transferência de aprendizagem entre diferentes domínios. Por exemplo, desde a classificação de imagens no ImageNet até a detecção de objetos e segmentação semântica no MS-COCO. Isso é ilustrado pela melhoria de desempenho no benchmark MS-COCO, que foi obtido pelo ajuste fino das redes neurais profundas previamente treinadas pela ImageNet no MS-COCO. "
“Lançamos o código-fonte e esperamos que nosso AN leve a um melhor design integrativo para redes neurais profundas”, concluem os cientistas.
Leia também
A geleira Doomsday revelou-se mais perigosa do que os cientistas pensavam. Nós contamos o principal
Duas evidências de vida extraterrestre surgiram ao mesmo tempo. Um em Vênus, o outro - ninguém sabe onde
Descobriu-se que as luas de Urano são mais como planetas