Pesquisa da Microsoft supera desempenho em nível humano no conjunto de dados de classificação ImageNet

A Microsoft Research publicou recentemente um artigo acadêmico intitulado “Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification”. Neste artigo, eles estão propondo um novo modelo de retificador que supera o desempenho do nível humano no desafio de reconhecimento visual.

As unidades de ativação retificadas (retificadores) são essenciais para redes neurais de última geração. Neste trabalho, estudamos redes neurais retificadoras para classificação de imagens sob dois aspectos. Primeiramente, propomos uma Unidade Linear Retificada Paramétrica (PReLU) que generaliza a unidade retificada tradicional. O PReLU melhora o ajuste do modelo com custo computacional extra quase zero e pouco risco de overfitting. Em segundo lugar, derivamos um método de inicialização robusto que considera particularmente as não linearidades do retificador. Esse método nos permite treinar modelos retificados extremamente profundos diretamente do zero e investigar arquiteturas de rede mais profundas ou mais amplas. Com base em nossas redes PReLU (PReLU-nets), alcançamos 4.94% de erro de teste top-5 no conjunto de dados de classificação ImageNet 2012. Esta é uma melhoria relativa de 26% em relação ao vencedor do ILSVRC 2014 (GoogLeNet, 6.66%). Até onde sabemos, nosso resultado é o primeiro a superar o desempenho em nível humano (5.1%, Russakovsky et al.) neste desafio de reconhecimento visual.

Baixe o documento completo no link abaixo.

Fonte: Universidade de Cornell