படத்தை அடையாளம் காணும் பணிகளுக்குப் பயன்படுத்தப்படும் கன்வல்யூஷனல் நியூரல் நெட்வொர்க் (CNN) செயல்பாட்டில் அம்சம் பிரித்தெடுத்தல் ஒரு முக்கியமான படியாகும். CNNகளில், துல்லியமான வகைப்படுத்தலை எளிதாக்க, உள்ளீட்டுப் படங்களிலிருந்து அர்த்தமுள்ள அம்சங்களைப் பிரித்தெடுப்பதை அம்சம் பிரித்தெடுத்தல் செயல்முறை உள்ளடக்குகிறது. படங்களின் மூல பிக்சல் மதிப்புகள் வகைப்படுத்தல் பணிகளுக்கு நேரடியாகப் பொருந்தாததால் இந்த செயல்முறை அவசியம். தொடர்புடைய அம்சங்களைப் பிரித்தெடுப்பதன் மூலம், சிஎன்என்கள் படங்களுக்குள் உள்ள வடிவங்கள் மற்றும் வடிவங்களை அடையாளம் காணக் கற்றுக்கொள்ளலாம், அவை வெவ்வேறு வகைப் பொருள்கள் அல்லது நிறுவனங்களுக்கு இடையே வேறுபடுகின்றன.
சிஎன்என்களில் அம்சம் பிரித்தெடுக்கும் செயல்முறை பொதுவாக கன்வல்யூஷனல் லேயர்களைப் பயன்படுத்துவதை உள்ளடக்கியது. இந்த அடுக்குகள் உள்ளீட்டு படத்திற்கு கர்னல்கள் எனப்படும் வடிப்பான்களைப் பயன்படுத்துகின்றன. ஒவ்வொரு வடிப்பானும் உள்ளீட்டுப் படத்தை முழுவதுமாக ஸ்கேன் செய்து, ஒரு அம்ச வரைபடத்தை உருவாக்க உறுப்பு வாரியான பெருக்கல் மற்றும் கூட்டுத்தொகை செயல்பாடுகளைச் செய்கிறது. அம்ச வரைபடங்கள் உள்ளீட்டுப் படத்தில் இருக்கும் விளிம்புகள், இழைமங்கள் அல்லது வடிவங்கள் போன்ற குறிப்பிட்ட வடிவங்கள் அல்லது அம்சங்களைப் பிடிக்கும். கன்வல்யூஷனல் லேயர்களில் பல வடிப்பான்களைப் பயன்படுத்துவது CNNகளை வெவ்வேறு இடநிலை படிநிலைகளில் பலதரப்பட்ட அம்சங்களைப் பிரித்தெடுக்க அனுமதிக்கிறது.
கன்வல்யூஷனல் லேயர்களுக்குப் பிறகு, மாடலில் நேரியல் அல்லாத தன்மையை அறிமுகப்படுத்த, CNNகள் பெரும்பாலும் ReLU (ரெக்டிஃபைட் லீனியர் யூனிட்) போன்ற செயல்படுத்தும் செயல்பாடுகளை உள்ளடக்குகின்றன. தரவுக்குள் சிக்கலான உறவுகள் மற்றும் வடிவங்களைக் கற்றுக்கொள்வதற்கு CNN களை இயக்குவதற்கு நேரியல் அல்லாத செயல்படுத்தல் செயல்பாடுகள் முக்கியமானவை. அதிகபட்ச பூலிங் அல்லது சராசரி பூலிங் போன்ற பூலிங் அடுக்குகள், மிகவும் பொருத்தமான தகவலைத் தக்கவைத்துக்கொண்டு, அம்ச வரைபடங்களின் இடஞ்சார்ந்த பரிமாணங்களைக் குறைக்க பொதுவாகப் பயன்படுத்தப்படுகின்றன. உள்ளீட்டுப் படங்களில் உள்ள மாறுபாடுகளுக்கு பிணையத்தை மேலும் வலுவாக மாற்றுவதற்கு பூலிங் உதவுகிறது மற்றும் கணக்கீட்டு சிக்கலைக் குறைக்கிறது.
கன்வல்யூஷனல் மற்றும் பூலிங் லேயர்களைப் பின்பற்றி, பிரித்தெடுக்கப்பட்ட அம்சங்கள் ஒரு திசையனாகத் தட்டையானது மற்றும் ஒன்று அல்லது அதற்கு மேற்பட்ட முழுமையாக இணைக்கப்பட்ட அடுக்குகள் வழியாக அனுப்பப்படுகிறது. இந்த அடுக்குகள் வகைப்படுத்திகளாக செயல்படுகின்றன, பிரித்தெடுக்கப்பட்ட அம்சங்களை தொடர்புடைய வெளியீட்டு வகுப்புகளுக்கு வரைபடமாக்க கற்றுக்கொள்கின்றன. இறுதி முழுமையாக இணைக்கப்பட்ட அடுக்கு பொதுவாக பல வகுப்பு வகைப்பாடு பணிகளுக்கான வகுப்பு நிகழ்தகவுகளை உருவாக்க ஒரு softmax செயல்படுத்தும் செயல்பாட்டைப் பயன்படுத்துகிறது.
படத்தை அடையாளம் காண CNN இல் அம்சம் பிரித்தெடுக்கும் செயல்முறையை விளக்குவதற்கு, ஆடை படங்களை வகைப்படுத்துவதற்கான உதாரணத்தைக் கவனியுங்கள். இந்தச் சூழ்நிலையில், காலணிகள், சட்டைகள் அல்லது பேன்ட்கள் போன்ற பல்வேறு வகையான ஆடைப் பொருட்களுக்குத் தனித்தன்மை வாய்ந்த இழைமங்கள், வண்ணங்கள் மற்றும் வடிவங்கள் போன்ற அம்சங்களைப் பிரித்தெடுக்க CNN கற்றுக் கொள்ளும். லேபிளிடப்பட்ட ஆடைப் படங்களின் பெரிய தரவுத்தொகுப்பைச் செயலாக்குவதன் மூலம், CNN இந்த தனித்துவமான அம்சங்களைத் துல்லியமாக அடையாளம் காணவும் வகைப்படுத்தவும் அதன் வடிப்பான்கள் மற்றும் எடைகளைத் திரும்பத் திரும்பச் சரிசெய்து, இறுதியில் அதிக துல்லியத்துடன் காணாத படங்களைக் கணிக்க உதவுகிறது.
அம்சம் பிரித்தெடுத்தல் என்பது பட அங்கீகாரத்திற்கான CNN களின் ஒரு அடிப்படை அங்கமாகும், இது மாதிரியானது உள்ளீடு படங்களுக்குள் தொடர்புடைய வடிவங்கள் மற்றும் அம்சங்களைக் கற்கவும் வேறுபடுத்தவும் உதவுகிறது. மாற்றும் அடுக்குகள், செயல்படுத்தும் செயல்பாடுகள், பூலிங் லேயர்கள் மற்றும் முழுமையாக இணைக்கப்பட்ட அடுக்குகள் ஆகியவற்றின் மூலம், CNNகள் துல்லியமான வகைப்பாடு பணிகளைச் செய்ய அர்த்தமுள்ள அம்சங்களை திறம்பட பிரித்தெடுக்கலாம் மற்றும் மேம்படுத்தலாம்.
தொடர்பான பிற சமீபத்திய கேள்விகள் மற்றும் பதில்கள் EITC/AI/TFF டென்சர்ஃப்ளோ அடிப்படைகள்:
- திசையன்களாக வார்த்தைகளை பிரதிநிதித்துவப்படுத்துவதற்கு சரியான அச்சுகளை தானாக ஒதுக்க உட்பொதித்தல் அடுக்கை எவ்வாறு பயன்படுத்தலாம்?
- CNNல் அதிகபட்சமாக பூலிங் செய்வதன் நோக்கம் என்ன?
- TensorFlow.js இல் இயங்கும் இயந்திர கற்றல் மாதிரிகளுக்கு ஒத்திசைவற்ற கற்றல் செயல்பாட்டைப் பயன்படுத்துவது அவசியமா?
- TensorFlow Keras Tokenizer API அதிகபட்ச சொற்களின் அளவுரு என்ன?
- TensorFlow Keras Tokenizer APIஐ அடிக்கடி வார்த்தைகளைக் கண்டறிய பயன்படுத்த முடியுமா?
- TOCO என்றால் என்ன?
- இயந்திரக் கற்றல் மாதிரியில் உள்ள பல சகாப்தங்களுக்கும் மாதிரியை இயக்குவதிலிருந்து கணிப்பதன் துல்லியத்திற்கும் என்ன தொடர்பு?
- டென்சர்ஃப்ளோவின் நியூரல் ஸ்ட்ரக்ச்சர்டு லேர்னிங்கில் உள்ள பேக் அண்டை நாடுகளின் ஏபிஐ, இயற்கையான வரைபடத் தரவின் அடிப்படையில் ஆக்மென்டட் பயிற்சி தரவுத்தொகுப்பை உருவாக்குகிறதா?
- டென்சர்ஃப்ளோவின் நரம்பியல் கட்டமைக்கப்பட்ட கற்றலில் பேக் அண்டை நாடுகளின் API என்றால் என்ன?
- இயற்கையான வரைபடம் இல்லாத தரவுகளுடன் நரம்பியல் கட்டமைக்கப்பட்ட கற்றலைப் பயன்படுத்த முடியுமா?
EITC/AI/TFF TensorFlow Fundamentals இல் கூடுதல் கேள்விகள் மற்றும் பதில்களைக் காண்க