Głębokie uczenie wykorzystuje wielowarstwowe sieci neuronowe do rozpoznawania obrazów. To jest prosta odpowiedź i to jest właściwa odpowiedź na to pytanie.
Wciąż wolę nieco zwolnić tempo. Sieć neuronowa głęboka to po prostu sieć neuronowa posiadająca więcej niż jedną warstwę ukrytą. W pracy z obrazami warstwy te są zwykle ułożone tak, że te pierwsze uczą się prostych rzeczy, takich jak krawędzie i tekstura, a późniejsze uczą się kształtów, części i całych obiektów. Ta ścieżka warstwowa jest powodem, dla którego głębokie uczenie działa tak dobrze w przypadku obrazów.
Co robią warstwy
Pierwsze warstwy traktuję jako wyszukiwacze cech. Skanują małe płaty pikseli i szukają lokalnych wzorców. Późniejsza warstwa nie zaczyna od nowa od surowych pikseli. Otrzymuje ona wynik wcześniejszej warstwy i łączy te proste elementy w bogatsze.
Ma to znaczenie, ponieważ obrazy mają strukturę. Sąsiednie piksele są ze sobą powiązane. Linia w jednej części obrazu może stać się krawędzią twarzy, koła lub okna po tym, jak kilka warstw przekaże sygnał dalej. Dlatego konwolucyjne sieci neuronowe, czyli CNN, stały się standardowym modelem głębokiego uczenia do rozpoznawania obrazów. Zostały zaprojektowane pod kątem tej warstwowej ekstrakcji cech.
Podstawowe części łatwo nazwać. Warstwa konwolucyjna szuka wzorców za pomocą małych filtrów. Warstwa basenowa (pooling) zmniejsza dane i zachowuje użyteczne części. Warstwa w pełni łączna, znajdująca się pod koniec, przekształca te nauczone cechy w ostateczną etykietę lub wynik. Ten stos stanowi praktyczne rdzeń wielu modeli obrazowych.
Użytecznym szczegółem tutaj jest to, że model nie potrzebuje ręcznie budowanej listy cech. Klasyczne systemy wizyjne często polegały na ludziach wybierających cechy. Głębokie uczenie redukuje tę pracę. Sieć uczy się cech z danych, co jest prawdziwą zmianą. Uczy się tego, co ma znaczenie, na podstawie przykładów, a nie ze względu na ustalony zestaw reguł.
Część dotycząca rozpoznawania obrazów jest sednem
Dla rozpoznawania obrazów cel jest prosty. Model widzi piksele i produkuje etykietę, np. kot, samochód lub znak stop. Sieć jest trenowana na wielu oznaczonych obrazach, dzięki czemu może dostosować swoje wagi. Te wagi decydują o tym, jak silnie każda warstwa reaguje na wzorzec.
Myślę, że to właśnie tu ludzie czasami przesadzają. Model nie „rozumie” obrazów w ludzkim sensie. Ucząc się użytecznych wzorców, które dobrze sprawdzają się w zadaniu. To jest inne i ma to znaczenie. Model może być bardzo dobry w rozpoznawaniu, a mimo to zawieść, gdy obraz zmieni się w dziwny sposób, lub gdy obiekt pojawi się w formie, której wcześniej widział mało.
Zaprojektowanie warstwowe pomaga, ponieważ rozpoznanie nie jest jedną płaską decyzją. Jest to łańcuch mniejszych decyzji. Najpierw model zauważa krzywiznę. Następnie widzi krawędź. Potem zaczyna grupować te elementy w kształt. Następnie łączy kształty w klasę. To jest główny powód, dla którego głębokie uczenie jest tak skuteczne w rozpoznawaniu obrazów.
Istnieje również praktyczny powód, dla którego CNN stały się popularne. Ponownie używają tego samego filtra na całym obrazie, więc nie muszą uczyć się oddzielnej reguły dla każdej lokalizacji. Sprawia to, że są bardziej wydajne niż zwykła gęsta sieć w przypadku danych wizualnych. Poprawia to także ich zdolność do wykrywania tego samego wzorca niezależnie od tego, gdzie pojawia się on na obrazie.
Granica nadal jest realna
Rzetelną granicą jest to, że głębokie uczenie zależy od danych i treningu. Wielowarstwowa sieć może się uczyć tylko tego, co widzi. Jeśli zbiór danych jest mały, obciążony błędami lub zbyt wąski, model może nauczyć się niewłaściwych wzorców. Może wyglądać sprawnie w demonstracji, a mimo to rozpaść się poza tym wąskim zestawem.
Kolejną granicą jest to, że głębsza nie zawsze oznacza lepszą. Więcej warstw może pomóc, ale mogą też sprawić, że trening będzie trudniejszy, wolniejszy lub mniej stabilny. Dobry model obrazowy to nie tylko „wiele warstw”. To odpowiednie warstwy, dobrze wytrenowane, na danych pasujących do zadania. Ta część jest mniej atrakcyjna niż samo słowo „głębokie”, co prawdopodobnie jest powodem, dla którego jest ona tak często pomijana.
Więc czysta odpowiedź pozostaje ta sama. Głębokie uczenie wykorzystuje wielowarstwowe sieci neuronowe do rozpoznawania obrazów, a CNN są najlepiej znanym przykładem. Wczesne warstwy znajdują proste cechy obrazu, późniejsze warstwy budują z nich wyższego rzędu wzorce, a ostatnia warstwa przekształca te wzorce w przewidywanie.
To jest rodzaj idei, którą lubię mieć pod ręką: jedna praktyczna koncepcja, jeden działający przykład i jeden szczery spojrzenie na to, co naprawdę działa. To również jest obietnica stojąca za The Model Log.
