கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் (CNNs) முதலில் கணினி பார்வை துறையில் படத்தை அடையாளம் காணும் நோக்கத்திற்காக வடிவமைக்கப்பட்டது. இந்த நெட்வொர்க்குகள் ஒரு சிறப்பு வகை செயற்கை நரம்பியல் நெட்வொர்க் ஆகும், அவை காட்சி தரவை பகுப்பாய்வு செய்வதில் மிகவும் பயனுள்ளதாக இருக்கும். சிஎன்என்களின் வளர்ச்சியானது படங்களை துல்லியமாக வகைப்படுத்தி வகைப்படுத்தக்கூடிய மாதிரிகளை உருவாக்க வேண்டியதன் அவசியத்தால் உந்தப்பட்டது, மேலும் இந்த டொமைனில் அவற்றின் வெற்றியானது, பொருள் கண்டறிதல், படப் பிரிவு மற்றும் இயற்கையான மொழி செயலாக்கம் போன்ற பல்வேறு பயன்பாடுகளில் அவற்றின் பரவலான பயன்பாட்டிற்கு வழிவகுத்தது.
மனித மூளையில் உள்ள காட்சிப் புறணியின் அமைப்பு மற்றும் செயல்பாட்டினால் சிஎன்என்கள் ஈர்க்கப்படுகின்றன. விஷுவல் கார்டெக்ஸைப் போலவே, CNNகளும் உள்ளீடு தரவின் வெவ்வேறு அம்சங்களைச் செயலாக்கும் ஒன்றோடொன்று இணைக்கப்பட்ட நியூரான்களின் பல அடுக்குகளைக் கொண்டிருக்கின்றன. CNNகளின் முக்கிய கண்டுபிடிப்பு, கைமுறை அம்ச பொறியியலின் தேவையை நீக்கி, படங்களிலிருந்து தொடர்புடைய அம்சங்களைத் தானாகக் கற்றுக் கொள்ளும் மற்றும் பிரித்தெடுக்கும் திறனில் உள்ளது. விளிம்புகள், மூலைகள் மற்றும் இழைமங்கள் போன்ற பல்வேறு காட்சி வடிவங்கள் மற்றும் அம்சங்களைக் கண்டறிய, உள்ளீட்டுப் படத்திற்கு வடிப்பான்களைப் பயன்படுத்தும் கன்வல்யூஷனல் லேயர்களைப் பயன்படுத்துவதன் மூலம் இது அடையப்படுகிறது.
சிஎன்என்களில் முதல் முன்னேற்றம் யான் லெகுன் மற்றும் பலர் மூலம் லீநெட்-5 கட்டிடக்கலை அறிமுகப்படுத்தப்பட்டது. 1998 இல். LeNet-5 குறிப்பாக கையால் எழுதப்பட்ட இலக்க அங்கீகாரத்திற்காக வடிவமைக்கப்பட்டது மற்றும் MNIST தரவுத்தொகுப்பில் குறிப்பிடத்தக்க செயல்திறனைப் பெற்றது, இது பட அங்கீகாரம் அல்காரிதம்களை மதிப்பிடுவதற்கு பரவலாகப் பயன்படுத்தப்படும் ஒரு தரநிலை தரவுத்தொகுப்பு. LeNet-5 ஆனது, அளவு, சுழற்சி மற்றும் மொழிபெயர்ப்பில் உள்ள மாறுபாடுகளின் முன்னிலையிலும் துல்லியமான வகைப்பாட்டை செயல்படுத்தி, படங்களிலிருந்து படிநிலை அம்சங்களைப் படம்பிடிப்பதில் CNNகளின் ஆற்றலை நிரூபித்தது.
அப்போதிருந்து, சிஎன்என்கள் குறிப்பிடத்தக்க அளவில் வளர்ச்சியடைந்துள்ளன, ஆழமான மற்றும் சிக்கலான கட்டமைப்புகள் உருவாக்கப்பட்டன. அலெக்ஸ் கிரிஷெவ்ஸ்கி மற்றும் பலர் அலெக்ஸ்நெட் கட்டிடக்கலையை அறிமுகப்படுத்தியது குறிப்பிடத்தக்க முன்னேற்றம். 2012 இல், அலெக்ஸ்நெட் இமேஜ்நெட் பெரிய அளவிலான விஷுவல் ரெகக்னிஷன் சேலஞ்சை (ILSVRC) வெல்வதன் மூலம் பட வகைப்பாட்டில் ஒரு திருப்புமுனையை அடைந்தது. இந்த வெற்றியானது, சிஎன்என்களை படத்தை அறிதல் பணிகளில் பரவலாக ஏற்றுக்கொள்ள வழி வகுத்தது.
மற்ற கணினி பார்வை பணிகளுக்கும் CNNகள் வெற்றிகரமாகப் பயன்படுத்தப்பட்டுள்ளன. உதாரணமாக, பொருள் கண்டறிதலில், ஒரு படத்தில் உள்ள பொருட்களை உள்ளூர்மயமாக்கவும் வகைப்படுத்தவும் சிஎன்என்கள் கூடுதல் அடுக்குகளுடன் இணைக்கப்படலாம். ரோஸ் கிர்ஷிக் மற்றும் பலர் அறிமுகப்படுத்திய பிரபலமான பிராந்திய அடிப்படையிலான கன்வல்யூஷனல் நியூரல் நெட்வொர்க் (R-CNN). 2014 இல் அத்தகைய கட்டிடக்கலைக்கு ஒரு எடுத்துக்காட்டு. R-CNN ஆனது, அம்சம் பிரித்தெடுப்பதற்கு CNNகளின் சக்தியை மேம்படுத்தி, பிராந்திய முன்மொழிவு முறைகளுடன் இணைப்பதன் மூலம், ஆப்ஜெக்ட் கண்டறிதல் வரையறைகளில் அதிநவீன முடிவுகளை அடைந்தது.
கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் முதன்முதலில் கணினி பார்வைத் துறையில் படத்தை அடையாளம் காணும் பணிகளுக்காக வடிவமைக்கப்பட்டுள்ளன. கைமுறை அம்ச பொறியியலின் தேவையை நீக்கி, படங்களிலிருந்து பொருத்தமான அம்சங்களைத் தானாகக் கற்றுக்கொள்வதன் மூலம் அவர்கள் துறையில் புரட்சியை ஏற்படுத்தியுள்ளனர். சிஎன்என்களின் வளர்ச்சியானது பட வகைப்பாடு, பொருள் கண்டறிதல் மற்றும் பல்வேறு கணினி பார்வை பணிகளில் குறிப்பிடத்தக்க முன்னேற்றங்களுக்கு வழிவகுத்தது.
தொடர்பான பிற சமீபத்திய கேள்விகள் மற்றும் பதில்கள் EITC/AI/ADL மேம்பட்ட ஆழமான கற்றல்:
- இயந்திர கற்றலில் மேம்படுத்தல்களை நாம் ஏன் பயன்படுத்த வேண்டும்?
- அதிகப்படியான பொருத்தம் எப்போது நிகழ்கிறது?
- கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள், கன்வல்யூஷனல் சீக்வென்ஸ் டு சீக்வென்ஸ் மாடல்களில் பயன்படுத்தப்படுவது போல், காலப்போக்கில் வளைவுகளை இணைத்து, வரிசையான தரவைக் கையாள முடியுமா?
- ஜெனரேட்டிவ் அட்வர்ஸரியல் நெட்வொர்க்குகள் (ஜிஏஎன்) ஜெனரேட்டர் மற்றும் பாரபட்சமான யோசனையை நம்பியிருக்கிறதா?