Microsoftove raziskave presegajo zmogljivost na človeški ravni pri naboru podatkov za klasifikacijo ImageNet
1 min. prebrati
Objavljeno dne
Dajte v skupno rabo ta članek
Izboljšajte ta vodnik
Preberite našo stran za razkritje, če želite izvedeti, kako lahko pomagate MSPoweruser vzdrževati uredniško skupino Preberi več
Microsoft Research je pred kratkim objavil akademski članek z naslovom »Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification«. V tem dokumentu predlagajo nov model usmernika, ki presega človeško zmogljivost pri izzivu vizualnega prepoznavanja.
Popravljene aktivacijske enote (usmerniki) so nujne za najsodobnejše nevronske mreže. V tem delu proučujemo usmerniške nevronske mreže za klasifikacijo slik z dveh vidikov. Najprej predlagamo parametrično rektificirano linearno enoto (PReLU), ki posplošuje tradicionalno rektificirano enoto. PReLU izboljša prileganje modelu s skoraj ničelnimi dodatnimi računskimi stroški in majhnim tveganjem pretiranega opremljanja. Drugič, izpeljemo robustno inicializacijsko metodo, ki zlasti upošteva nelinearnosti usmernika. Ta metoda nam omogoča usposabljanje izjemno globoko popravljenih modelov neposredno iz nič in raziskovanje globljih ali širših omrežnih arhitektur. Na podlagi naših omrežij PReLU (PReLU-nets) dosegamo 4.94-odstotno napako top-5 testov na naboru klasifikacijskih podatkov ImageNet 2012. To je 26 % relativno izboljšanje v primerjavi z zmagovalcem ILSVRC 2014 (GoogLeNet, 6.66 %). Kolikor nam je znano, je naš rezultat prvi, ki je pri tem izzivu vizualnega prepoznavanja presegel zmogljivost na človeški ravni (5.1 %, Russakovsky et al.).
Prenesite celoten dokument s spodnje povezave.
vir: Cornell University
