கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் (CNNs) என்பது பட அறிதல் பணிகளுக்கு பரவலாகப் பயன்படுத்தப்படும் ஆழமான கற்றல் மாதிரிகளின் வகுப்பாகும். ஒரு படத்தில் உள்ள வடிவங்கள் அல்லது அம்சங்களைக் கண்டறிவதில் CNN இல் உள்ள வளைவுகளின் செயல்முறை முக்கிய பங்கு வகிக்கிறது. இந்த விளக்கத்தில், வளைவுகள் எவ்வாறு செய்யப்படுகின்றன மற்றும் பட பகுப்பாய்வில் அவற்றின் முக்கியத்துவம் பற்றிய விவரங்களை ஆராய்வோம்.
ஒரு CNN இன் மையத்தில், சுருள்கள் என்பது ஒரு உள்ளீட்டுப் படத்தில் பயன்படுத்தப்படும் வடிகட்டி அல்லது கர்னல் எனப்படும் சிறிய மேட்ரிக்ஸை உள்ளடக்கிய கணித செயல்பாடுகள் ஆகும். வடிப்பான் பொதுவாக உள்ளீட்டு படத்தை விட மிகச் சிறிய பரிமாணங்களைக் கொண்ட ஒரு சதுர அணி ஆகும். கன்வல்யூஷன் செயல்பாட்டில், இந்த வடிப்பானை படத்தின் குறுக்கே சறுக்கி, வடிகட்டி மற்றும் படத்தின் தொடர்புடைய துணைப் பகுதிகளுக்கு இடையே புள்ளித் தயாரிப்புகளைக் கணக்கிடுகிறது.
வடிப்பானின் உறுப்பு வாரியான தயாரிப்பு மற்றும் அது தற்போது நிலைநிறுத்தப்பட்டுள்ள படத்தின் துணைப் பகுதியை எடுத்து, முடிவுகளைச் சுருக்குவதன் மூலம் கன்வல்யூஷன் செயல்பாடு செய்யப்படுகிறது. படத்தின் ஒவ்வொரு துணைப் பகுதிக்கும் இந்த செயல்முறை மீண்டும் மீண்டும் செய்யப்படுகிறது, அம்ச வரைபடம் எனப்படும் புதிய மேட்ரிக்ஸை உருவாக்குகிறது. உள்ளீட்டுப் படத்தில் வெவ்வேறு இடங்களில் வடிப்பானின் செயல்பாடுகள் அல்லது பதில்களை அம்ச வரைபடம் பிரதிபலிக்கிறது.
வெவ்வேறு வடிப்பான்களைப் பயன்படுத்துவதன் மூலம், ஒரு படத்தில் உள்ள பல்வேறு வடிவங்கள் அல்லது அம்சங்களைக் கண்டறிய CNNகள் கற்றுக்கொள்ளலாம். எடுத்துக்காட்டாக, ஒரு வடிகட்டி கிடைமட்ட விளிம்புகளைக் கண்டறிய வடிவமைக்கப்படலாம், மற்றொரு வடிகட்டி மூலைவிட்டக் கோடுகளைக் கண்டறிய வடிவமைக்கப்படலாம். பயிற்சி செயல்முறையின் மூலம், கொடுக்கப்பட்ட பணியின் செயல்திறனை மேம்படுத்துவதற்கு வடிகட்டிகளின் எடையை சரிசெய்ய CNN கற்றுக்கொள்கிறது.
சிஎன்என்களில் கன்வல்யூஷன்களின் பயன்பாடு, படங்களில் உள்ள வடிவங்கள் அல்லது அம்சங்களை அடையாளம் காண பல நன்மைகளை வழங்குகிறது. முதலாவதாக, சுருள்கள் படத்தில் உள்ள உள்ளூர் சார்புகளைப் பிடிக்க பிணையத்தை செயல்படுத்துகின்றன. படம் முழுவதும் வடிப்பானை ஸ்லைடு செய்வதன் மூலம், சிஎன்என் வடிவங்களை அவற்றின் இருப்பிடத்தைப் பொருட்படுத்தாமல் கண்டறிய முடியும். இந்த ஸ்பேஷியல் இன்வேரியன்ஸ் பண்பானது, சிஎன்என்கள் படத்தின் வெவ்வேறு பகுதிகளில் உள்ள பொருட்களை அடையாளம் காண அனுமதிக்கிறது.
இரண்டாவதாக, பிணையத்தில் உள்ள அளவுருக்களின் எண்ணிக்கையைக் குறைக்க வளைவுகள் உதவுகின்றன. ஒவ்வொரு நியூரானையும் உள்ளீட்டுப் படத்தில் உள்ள ஒவ்வொரு பிக்சலுடனும் இணைப்பதற்குப் பதிலாக, CNNகள் சுருள்களின் உள்ளூர் இணைப்பைப் பயன்படுத்துகின்றன. வடிப்பான்கள் முழுப் படத்திலும் பகிரப்படுகின்றன, இதன் விளைவாக கற்றுக்கொள்ள வேண்டிய அளவுருக்களின் எண்ணிக்கையில் குறிப்பிடத்தக்க குறைப்பு ஏற்படுகிறது. இந்த அளவுரு பகிர்வு பண்பு CNNகளை கணக்கீட்டு ரீதியாக திறமையானதாக்குகிறது மற்றும் பெரிய அளவிலான பட தரவுத்தொகுப்புகளை கையாள உதவுகிறது.
மேலும், சுருள்கள் உள்ளீட்டு படத்தின் படிநிலை பிரதிநிதித்துவத்தை வழங்குகின்றன. நாம் CNN இல் ஆழமாக செல்லும்போது, வடிகட்டிகள் மிகவும் சிக்கலான மற்றும் சுருக்கமான அம்சங்களைப் பிடிக்கும். ஆரம்ப அடுக்குகள் எளிய விளிம்புகள் அல்லது அமைப்புகளைக் கண்டறியலாம், அதே சமயம் ஆழமான அடுக்குகள் வடிவங்கள் அல்லது பொருள்கள் போன்ற உயர்-நிலைக் கருத்துகளை அடையாளம் காண முடியும். இந்த படிநிலை அமைப்பு CNN களை படிநிலை முறையில் சிக்கலான வடிவங்களைக் கற்றுக் கொள்ளவும், பிரதிநிதித்துவப்படுத்தவும் அனுமதிக்கிறது, இது பட அங்கீகாரப் பணிகளில் மேம்பட்ட செயல்திறனுக்கு வழிவகுக்கும்.
ஒரு சிஎன்என் கன்வல்யூஷன்ஸ் என்பது ஒரு படத்தின் குறுக்கே வடிப்பானை ஸ்லைடு செய்வது, டாட் தயாரிப்புகளை கணக்கிடுவது மற்றும் அம்ச வரைபடங்களை உருவாக்குவது ஆகியவை அடங்கும். அவை பிணையத்தை உள்ளூர் சார்புகளைப் பிடிக்கவும், அளவுருக்களின் எண்ணிக்கையைக் குறைக்கவும் மற்றும் உள்ளீட்டு படத்தின் படிநிலைப் பிரதிநிதித்துவத்தை உருவாக்கவும் உதவுகிறது. இந்த பண்புகள் CNN களை படங்களில் உள்ள வடிவங்கள் அல்லது அம்சங்களைக் கண்டறிவதில் திறம்படச் செய்கின்றன, இது பல்வேறு கணினி பார்வை பணிகளில் அவற்றின் பரவலான பயன்பாட்டிற்கு வழிவகுக்கும்.
தொடர்பான பிற சமீபத்திய கேள்விகள் மற்றும் பதில்கள் மாற்று நரம்பியல் நெட்வொர்க்குகள் அடிப்படைகள்:
- படங்களின் சிக்கலான வடிவங்களைக் கற்றுக்கொள்வதற்கும் அடையாளம் காண்பதற்கும் சிஎன்என்களில் வளைவுகள் மற்றும் பூலிங் எவ்வாறு இணைக்கப்படுகின்றன?
- மறைக்கப்பட்ட அடுக்குகளின் பங்கு மற்றும் முழுமையாக இணைக்கப்பட்ட அடுக்கு உட்பட CNN இன் கட்டமைப்பை விவரிக்கவும்.
- CNN இல் உள்ள அம்ச வரைபடங்களை பூலிங் எவ்வாறு எளிதாக்குகிறது, மேலும் அதிகபட்சமாக பூலிங்கின் நோக்கம் என்ன?
- ஒரு கன்வல்யூஷனல் நியூரல் நெட்வொர்க்கின் (CNN) முக்கிய கூறுகள் யாவை மற்றும் அவை பட அங்கீகாரத்திற்கு எவ்வாறு பங்களிக்கின்றன?
மேலும் கேள்விகள் மற்றும் பதில்கள்:
- களம்: செயற்கை நுண்ணறிவு
- திட்டம்: EITC/AI/DLTF டென்சர்ஃப்ளோவுடன் ஆழமான கற்றல் (சான்றிதழ் திட்டத்திற்குச் செல்லவும்)
- பாடம்: டென்சர்ஃப்ளோவில் மாற்றக்கூடிய நரம்பியல் நெட்வொர்க்குகள் (தொடர்புடைய பாடத்திற்குச் செல்லவும்)
- தலைப்பு: மாற்று நரம்பியல் நெட்வொர்க்குகள் அடிப்படைகள் (தொடர்புடைய தலைப்புக்குச் செல்லவும்)
- தேர்வு ஆய்வு