모두의 딥러닝 예제

0 0

이미지 또는 비디오의 특정 개체를 식별하는 개체 인식 외에도 딥 러닝을 개체 감지에 사용할 수도 있습니다. 오브젝트 감지는 장면에서 오브젝트를 인식하고 찾는 것을 의미하며 이미지 내에 여러 오브젝트를 배치할 수 있습니다. 2011년부터 2012년까지 이미지 또는 개체 인식에 상당한 추가 적인 영향을 미쳤습니다. 역전파로 훈련된 CNN은 수십 년 동안 사용되어 왔으며, CN을 포함한 수년간 NN의 GPU 구현은 Ciresan 및 동료의 스타일로 GPU에서 최대 풀링이 있는 CNN의 빠른 구현이 컴퓨터 비전을 발전시키기 위해 필요했습니다. [81] [82] [35] [91] [2] 2011년, 이 접근법은 시각적 패턴 인식 경연대회에서 처음으로 초인적인 퍼포먼스를 달성했습니다. 또한 2011년에는 ICDAR 중국어 필기 경연대회에서 우승했고, 2012년 5월에는 ISBI 이미지 세분화 콘테스트에서 우승했습니다. [92] 2011년까지 CNN은 컴퓨터 비전 컨퍼런스에서 중요한 역할을 하지 않았지만, 2012년 6월, 주요 컨퍼런스 CVPR[4]에서 Ciresan 등의 논문에 따르면 GPU에서 최대 로풀링된 CNN이 많은 비전 벤치마크 레코드를 어떻게 크게 향상시킬 수 있는지 를 보여주었습니다. 2012년 10월, Krizhevsky 등의 유사한 시스템이 얕은 기계 학습 방법에 비해 상당한 차이로 대규모 ImageNet 경쟁에서 승리했습니다. 2012년 11월, Ciresan 등의 시스템은 또한 암 검출을 위한 대형 의료 이미지의 분석에 대한 ICPR 경연 대회에서 우승했으며, 이듬해에도 같은 주제로 MICCAI 그랜드 챌린지를 수상했습니다. [93] 2013년과 2014년에는 딥 러닝을 사용한 ImageNet 작업의 오류율이 더욱 감소했으며, 대규모 음성 인식의 유사한 추세에 따라 더욱 감소했습니다. Wolfram 이미지 식별 프로젝트는 이러한 개선 사항을 홍보했습니다.

[94] 한마디로 정확성. 딥 러닝은 그 어느 때보다 높은 수준에서 인식 정확도를 달성합니다. 이를 통해 소비자 가전 제품이 사용자의 기대치를 충족하는 데 도움이 되며 무인 자동차와 같은 안전에 중요한 응용 분야에서 매우 중요합니다. 딥 러닝의 최근 발전은 딥 러닝이 이미지에서 객체를 분류하는 것과 같은 일부 작업에서 인간을 능가하는 지점으로 개선되었습니다. 딥 러닝은 디노이즈, 슈퍼 해상도, 인페인팅 및 필름 색채화와 같은 역문제에 성공적으로 적용되었습니다. 이러한 응용 프로그램에는 이미지 데이터 집합에서 학습하는 „효과적인 이미지 복원을 위한 축소 필드“[165]와 복원이 필요한 이미지에서 학습하는 딥 이미지 이전 과 같은 학습 방법이 포함됩니다. 딥 러닝을 사용하여 사진 내의 개체와 컨텍스트를 사용하여 이미지에 색상을 만들 수 있습니다.