NEC开发了深度学习自动优化技术, 更易于提高识别精度

近日, NEC宣布开发了更易于提高识别精度的深度学习自动优化技术.

以往进行深度学习时,很难基于神经网络构造(注1)进行调整,所以无法在整个网络进行最优化的学习, 因而无法充分发挥其识别性. 此次开发的技术, 可以基于其结构自动优化神经网络学习的进度,从而轻松实现比以往更加精准的识别.

此技术的出现, 使得应用了图像识别及声音识别等深度学习技术的各个领域, 均有望实现识别精度的进一步提高. 例如, 人脸识别和行为分析等视频监控识别精度的提高, 基础设施等点检工作效率的提高, 实现自动检测灾害, 事故和灾难等.

一, 背景

近年来, 深度学习的研究取得了飞跃性的进展. 在图像识别, 声音识别等广泛领域内得到了应用. 深度学习使用具备深层构造的神经网络, 学习事先准备好的数据来实现高精度化. 但是, 如果数据被过度地学习, 则会出现 '过学习(注2)' 的现象, 即只能高精度地识别学习过的数据, 而未用于学习的数据的识别精度则降低. 为了避免这种情况的发生, 就需要使用 '正则化(注3)' 技术进行调整.

由于神经网络的学习过程因其结构而复杂多变, 所以过去只能对整个网络使用相同的正则化技术. 结果出现了网络各层有的过度学习, 有的学习停滞等问题, 因而很难充分发挥原有的识别性能. 另外, 由于手动调整各层的学习进度极为困难, 所以对于逐层自动调整学习进度的需求呼声很高.

此次开发的技术是基于神经网络的结构, 逐层预测学习进度, 并自动配置适合各层进展的正则化技术. 通过此技术, 在整个网络中学习被优化, 并且可以将识别错误率降低约20%, 改善识别精度.

【图】各层神经网络中正则化技术自动设置示意图

二, 新技术的优点

1, 根据神经网络结构的自动学习优化

基于神经网络的结构, 我们预测每层的学习进度, 并逐层自动设置适合于各层进展的正则化. 据此, 整个网络的学习进度就得到了优化, 解决了过去各层过度学习和学习停滞的问题. 在使用该技术的手写数字数据的识别实验中, 识别错误率降低了约20%, 识别精准度已经得到明显改善.

【图】相对于学习数据量的识别错误率的变化

2, 与以往相同的计算量下, 轻松实现高精度

该技术仅在学习神经网络前实施一次, 即可在与以往同等的学习计算量下轻松地实现高精度.

NEC集团致力于在全球范围内推进社会解决方案, 提供安心, 安全, 高效, 公平的社会价值, 将先进的ICT技术与知识相融合, 为实现更加光明, 更加丰富多彩的高效社会尽一份力量.

(注1) 神经网络: 由人造神经细胞(神经元)组成的神经网络.

(注2) 过学习: 对给定数据过度学习, 而对未学习的数据的

识别精度度下降的现象.

(注3) 正则化: 通过对模型的复杂性加以约束, 来抑制过学习的方法.

天极新媒体 最酷科技资讯

扫码赢大奖