Výzkum společnosti Microsoft překonává výkon na úrovni lidí na datové sadě klasifikace ImageNet
1 min. číst
Publikované dne
Sdílejte tento článek
Vylepšete tuto příručku
Přečtěte si naši informační stránku a zjistěte, jak můžete pomoci MSPoweruser udržet redakční tým Dozvědět se více
Microsoft Research nedávno publikoval akademický dokument nazvaný „Ponořit se hluboko do usměrňovačů: Překonání lidského výkonu na klasifikaci ImageNet“. V tomto dokumentu navrhují nový model usměrňovače, který překonává výkon na lidské úrovni při výzvě vizuálního rozpoznávání.
Usměrněné aktivační jednotky (usměrňovače) jsou nezbytné pro nejmodernější neuronové sítě. V této práci studujeme usměrňovací neuronové sítě pro klasifikaci obrazu ze dvou hledisek. Nejprve navrhujeme parametrickou rektifikovanou lineární jednotku (PReLU), která zobecňuje tradiční rektifikovanou jednotku. PReLU zlepšuje přizpůsobení modelu s téměř nulovými dodatečnými výpočetními náklady a malým rizikem přemontování. Za druhé, odvodíme robustní inicializační metodu, která zvláště zohledňuje nelinearity usměrňovače. Tato metoda nám umožňuje trénovat extrémně hluboké rektifikované modely přímo od nuly a zkoumat hlubší nebo širší síťové architektury. Na základě našich sítí PReLU (PReLU-nets) dosahujeme 4.94 % chyb v testu top-5 na datovém souboru klasifikace ImageNet 2012. To je 26% relativní zlepšení oproti vítězi ILSVRC 2014 (GoogLeNet, 6.66 %). Pokud je nám známo, náš výsledek je první, kdo v této výzvě vizuálního rozpoznávání předčí výkon na lidské úrovni (5.1 %, Russakovsky et al.).
Stáhněte si celý dokument z odkazu níže.
Zdroj: Cornell University
