İçerik
S:
Maksimum havuzlama AlexNet’in görüntü işleme için mükemmel bir teknoloji olmasına nasıl yardımcı olur?
A:
Yenilikçi bir evrimsel sinir ağı olan AlexNet'te, bir yandan yerleştirme işlemine yardımcı olmak ve sinir ağının uzmanların aradığı görüntülerle çalışmak için yaptığı işi düzene sokmak için, maksimum havuzlama kavramı, çoklu evrimsel katmanlara sahip karmaşık bir modele yerleştirilmiştir. “doğrusal olmayan bir alt örnekleme stratejisi”.
AlexNet, makine öğrenmesi ve sinir ağı gelişimi için bir havza olayı olarak görülen (bazıları bilgisayar vizyonunun “Olimpiyatları” olarak adlandırılan) 2012 ILSVRC'yi (ImageNet Büyük Ölçekli Görsel Tanıma Yarışması) kazandı. ).
Eğitimin iki GPU'ya bölündüğü ağ çerçevesinde, beş evrimli katman, üç tam bağlantılı katman ve bazı maksimum havuz uygulamaları vardır.
Temel olarak, maksimum havuzlama, çıktıların “havuzunu” bir nöron koleksiyonundan alır ve bunları bir sonraki katmanın değerlerine uygular. Bunu anlamanın bir başka yolu da, maksimum havuza alma yaklaşımının, modele daha uygun şekilde oturması için değerleri birleştirip sadeleştirmesidir.
Maksimum havuz degradelerin hesaplanmasına yardımcı olabilir. Biri “hesaplama yükünü azalttığını” veya “aşırı küçültmeyi” - altörnekleme yoluyla, maksimum havuzlamanın “boyutsallık azaltma” olarak adlandırılanı etkilediğini söyleyebilir.
Boyutsallık azaltma, sinir ağından geçmesi zor olan karmaşık bir modele sahip olma sorunu ile ilgilidir. Pek çok küçük pürüzlü konturlu ve bu çizginin her küçük parçasının bir veri noktasıyla temsil edildiği karmaşık bir şekil düşünün. Boyutsallık azaltma ile mühendisler, makineyi öğrenme programının modeli daha basit hale getirmek için "uzaklaştırmak" veya daha az veri noktası örneklemesine yardımcı oluyor. Bu nedenle, bir havuz oluşturma katmanına ve onun çıktısına bakarsanız, bazen boyutluluk azaltma stratejisine karşılık gelen daha basit bir pikselleştirme görebilirsiniz.
AlexNet ayrıca düzeltilmiş lineer birimler (ReLU) adı verilen bir fonksiyon kullanır ve görüntülerin CNN üzerinden işlenmesinde maksimum havuzlama bu tekniğin tamamlayıcısı olabilir.
Uzmanlar ve projeye dahil olanlar, AlexNet'in özel yapısını göstermek için çok sayıda görsel model, denklem ve diğer detaylar sağladılar, ancak genel anlamda, birden fazla yapay nöronun çıktısını birleştirmek veya birleştirmek için maksimum havuzlamayı düşünebilirsiniz. Bu strateji, en son makine vizyonu ve görüntü sınıflandırmasıyla eşanlamlı olan CNN'in genel yapısının bir parçasıdır.