• Nie Znaleziono Wyników

Splotowe sieci neuronowe (CNN) w służbie obrazowych baz danych (CBIR)

N/A
N/A
Info
Pobierz
Protected

Academic year: 2021

Share "Splotowe sieci neuronowe (CNN) w służbie obrazowych baz danych (CBIR)"

Copied!
1
0
0

Ładowanie.... (Zobacz pełny tekst teraz)

Pobierz teraz ( 1 Stron )

Pełen tekst

(1)

Warszawa, 21.12.2019

Splotowe sieci neuronowe (CNN) w służbie obrazowych baz danych (CBIR)

Tatiana Jaworska

Jaworska@ibspan.waw.pl http://www.ibspan.waw.pl/~jaworska/

Wykład zarysowuje problematykę związaną z wyszukiwaniem zawartości obrazów w systemie CBIR – content-based image retrieval, zwany dalej na potrzeby wykładu obrazową bazą danych. W pierwszej połowie wykładu zostanie zaprezentowana baza obrazowa wykonana w Instytucie Badań Systemowych (IBS PAN), na przykładzie której omówione zostaną podstawowe problemy pojawiające się przy wyszukiwaniu obrazów, takie jak klasyfikacja, podobieństwo i zapytania obrazowe.

W drugiej części wykładu przejdę do splotowych sieci neuronowych (CNN) i na przykładzie sieci klasyfikacyjnej zaimplementowanej w IBS omówione zostaną bardziej szczegółowo zagadnienia konstruowania i uczenia sieci splotowej. Pokazana zostanie architektura umożliwiająca wykorzystanie wszystkich danych, które są do dyspozycji (nie tylko obrazowych) w przypadku braku wystarczającej liczby obrazów do uczenia sieci neuronowej.

Następnie zasygnalizowane będą nowe trendy i zagrożenia w sieciach neuronowych,

ze szczególnym uwzględnieniem tych architektur, które są wprowadzane w miejsce wcześniej

używanych algorytmów w obrazowych bazach danych. Na zakończenie omówione zostaną

przykładowe zagadnienia mogące potencjalnie stanowić tematy prac doktorskich.

Cytaty

Pobierz teraz ( PDF - 1 Stron - 201.59 KB )

Powiązane dokumenty

Sztuczne Sieci Neuronowe Sztuczne Sieci Neuronowe

Podstawową cechą sieci neuronowej jest jej zdolność do uogólniania, a więc generowania właściwego rozwiązania dla danych, które nie pojawiły się w zestawie danych

i SIECI NEURONOWYCH

Samoorganizacja w sieci neuronowej (np. SOM) umożliwiają uczenie sieci bez nauczyciela (unsupervised), którego celem jest wykształcenie w sieci neuronów, które by reagowały na

Sieci Neuronowe

Przy starcie uczenia z wartości losowych prawdopodobieństwo utknięcia procesu w minimum lokalnym jest większe niż w przypadku sieci. sigmoidalnych, ze względu na silną

Wstęp do Sieci Neuronowych

1.2.7 Algorytm uczenia perceptronu (Simple perceptron learning algorithm, SPLA).. Jest to podstawowy

Sieci neuronowe

• dla wygenerowanych danych dwuwymiarowych dwóch klas z rozkładów normal- nych zaznacz na wykresie dane treningowe, klasyfikator sieciami neuronowymi, dla różnej liczby neuronów

Sieci neuronowe

Gdy mamy warstwę ukrytą problem jest taki, że nie znamy prawidłowej wartości na wyjściu neuronów z warstwy ukrytej, więc nie wiemy jak wyliczyć modyfikacje wag.. Algorytm

Sieci neuronowe – bezmodelowa analiza danych?

universal approximation theorem for neural networks states that every continuous function that maps intervals of real numbers to some output interval of real numbers can

Sieci neuronowe w Statistica

Często współczynnik ten jest ustawiany na najwyższą wartość początkowo, a następnie jest redukowany przy zmianie wag sieci...