Downloaded 88 times
Uploaded byOntico
Нейронные сети: практическое применение / Наталия Ефремова (NTechLab)
Документ посвящен видам нейронных сетей и их применению в различных областях, таких как обработка изображений, распознавание лиц и робототехника. Он охватывает основные архитектуры, включая свёрточные и рекуррентные нейронные сети, и их использование в современных задачах, таких как идентификация объектов и распознавание эмоций. Также рассматривается высокоточная работа систем идентификации на больших объемах данных и нестандартные применения нейронных сетей.
![[SuperSliv.biz] Как работают нейросети .pdf](https://cdn.slidesharecdn.com/ss_thumbnails/supersliv-250629200120-acab90ca-thumbnail.jpg?width=640&height=640&fit=bounds)
Нейронные сети: практическое применение / Наталия Ефремова (NTechLab)
- 1.
- 2. Введение Основные области применения DeepLearning архитектур: • обработка изображений и видео, •распознавание образов, • распознавание лиц, • распознавание эмоций, • робототехника, • игры, • распознавание образов в медицинских приложениях и т.п.
- 3. Структура доклада • Что такое нейронные сети: • биологические •искусственные • Какие архитектуры в каких областях применяются: • нейронные сети свёртки (CNN) • рекуррентные нейронные сети (RNN) • обучение с подкреплением • Нестандартное применение нейронных сетей
- 4.
- 5.
- 6.
- 7. Hubel and Wiesel (1968) стимул отклик клетки при измененииориентации стимула активация V1
- 8.
- 9.
- 10.
- 11.
- 12.
- 13.
- 15.
- 18.
- 19.
- 20.
- 21.
- 22.
- 23. Error Time 1 2 34 5 6 7 Error = |2*w – 6| = 0,001 W = 2.9999?
- 24.
- 25. Распознавание образов до2010 года: самые большие базы изображений PASCAL VOC (20 категорий) CALTECH 101 (101 категория)
- 26.
- 27.
- 28.
- 29. Архитектура Input Simple features More abstract features Mapping from features Output (Goodfellow, 2016) input tolayer a a. convolution stage: affine transform b. detector stage: non-linearity (rectified linear) c. pooling b c next layerconvolutional layer
- 30. convolution pooling convolutionpooling полносвязные слои прогноз Распознавание входное изображение
- 31. convolution pooling convolutionpooling полносвязные слои прогноз Распознавание входное изображение feedforward M.Zieler, CVSS 2015
- 32. convolution pooling convolutionpooling полносвязные слои прогноз Распознавание входное изображение H.Lee et al., 2011
- 33.
- 34.
- 35. Стандартные задачи, решаемые CNN • идентификация объектов (object detection) • семантическая сегментация (semantic segmentation) •распознавание лиц (face recognition) • распознавание частей тела человека (human body parts recognition) • семантическое определение границ (semantic boundary detection) • выделение объектов внимания (saliency estimation) • выделение нормалей к поверхности (surface normal estimation)
- 36. (Kokkinos, 2016) Классические задачи для CNN q low- qmid- q high- level vision tasks
- 37.
- 38.
- 40.
- 42. NTechLab q 95% - точность идентификации при поиске по 10Kфото q 99% - точность верификации q устойчивость к изменениям Точность
- 43. NTechLab q 95% - точность идентификации при поиске по 10Kфото q 99% - точность верификации q устойчивость к изменениям Точность
- 44. NTechLab q 0,5 сек на обработку 1 млрд фото q уникальный индекс быстрого поиска qдескриптор использует 20 Гб памяти для хранения 500 млн фото q работа с изображениями низкого качества q 95% - точность идентификации при поиске по 10K фото q 99% - точность верификации q устойчивость к изменениям Производительность Точность
- 45. NTechLab q 0,5 сек на обработку 1 млрд фото q уникальный индекс быстрого поиска qдескриптор использует 20 Гб памяти для хранения 500 млн фото q работа с изображениями низкого качества q 95% - точность идентификации при поиске по 10K фото q 99% - точность верификации q устойчивость к изменениям q загрузка фото через web-интерфейс, Android или iOS q 250 млн фото 100 млн пользователей q первое место на MefaFace Производительность Точность MegaFace FindFace.ru
- 46. Рекуррентные сети q RNN: распознавание естественного языка qОбработка видео q Новый подход: распознавание изображений
- 47.
- 48.
- 49. Обучение с подкреплением q Робототехника q Atari qAlphaGo Andrej Karpathy blog (2016) V. Mnih 2015
- 50.
- 51.
- 52.
- 54.
- 55.
- 56.
- 57.
- 58. Ссылки: www.theguardian.com www.nvidia.com www.image-net.org Blaise Agüera yArcas:How computers are learning to be creative (TED talk)
- 59.