NEC a développé une technologie d'optimisation automatique d'apprentissage en profondeur, plus facile d'améliorer la précision de la reconnaissance

Récemment, NEC a annoncé avoir développé une technologie d'auto-optimisation de l'apprentissage en profondeur qui peut améliorer plus facilement la précision de la reconnaissance.

Dans le passé, l'apprentissage en profondeur était difficile à adapter en fonction de la structure du réseau neuronal (Note 1), rendant impossible l'apprentissage optimal sur l'ensemble du réseau, ce qui ne permettait pas de réaliser pleinement son identification. Les progrès de l'apprentissage par réseau neuronal facilitent l'identification plus précise que jamais.

L'émergence de cette technologie permet d'améliorer encore la précision de reconnaissance dans divers domaines tels que la reconnaissance d'image et la reconnaissance vocale, etc. Par exemple, la précision de la reconnaissance vidéo comme la reconnaissance faciale et l'analyse du comportement, et l'infrastructure Vérifier l'efficacité du travail pour la détection automatique des catastrophes, des accidents et des catastrophes.

D'abord, l'arrière-plan

Ces dernières années, l'apprentissage en profondeur des progrès accomplis bissextile. A été appliqué dans un large domaine de la reconnaissance d'image, reconnaissance vocale, etc. doivent apprendre à utiliser la profondeur de la structure profonde du réseau de neurones, l'apprentissage des données pré-préparées pour obtenir une grande précision. Cependant, si les données sont trop appris, un phénomène sera « sur-apprentissage (note 2) » apparaît, qui ne peut être identifié de données appris avec précision, alors que les données pour identifier la précision de l'apprentissage est diminuée. afin d'éviter Dans ce cas, nous devons utiliser « régularisation (note 3) » ajustements techniques.

Depuis l'apprentissage des réseaux de neurones en raison de sa structure complexe, il ne peut durer tout le réseau en utilisant les mêmes techniques de régularisation. Les résultats il y a eu quelques couches excessives de l'apprentissage du réseau, l'apprentissage une certaine stagnation et d'autres questions, ce qui rend difficile pleinement jouer la performance de reconnaissance d'origine. en outre, en raison de régler manuellement extrêmement difficile la progression de chaque couche, donc une courbe d'apprentissage élevée pour la couche d'ajustement automatique par couche doit voix.

Le développement de la technologie est la structure du réseau de neurones, couche par prédiction de la couche en fonction des progrès d'apprentissage, et le progrès est automatiquement configuré pour chaque couche de la technique de régularisation. Avec cette technique, l'ensemble du réseau est optimisé taux d'erreurs d'apprentissage et de reconnaissance peut être réduite d'environ 20%, pour améliorer la précision de reconnaissance.

Couche «Figure» de la technologie de régularisation du réseau neuronal définir automatiquement le schéma

Deuxièmement, les avantages des nouvelles technologies

1, selon la structure du réseau neuronal de l'optimisation de l'apprentissage automatique

Structure basée sur le réseau de neurones, nous nous attendons à chacun des progrès de l'apprentissage, et définit automatiquement la couche appropriée par couche dans les couches progrès de régularisation. En conséquence, les progrès d'apprentissage de l'ensemble du réseau a été optimisé pour répondre aux couches excessives de l'apprentissage et l'apprentissage passé Stagnation.Dans les expériences de reconnaissance utilisant des données numériques manuscrites de cette technique, le taux d'erreur de reconnaissance a été réduit d'environ 20% et la précision de la reconnaissance a été significativement améliorée.

La variation du taux d'erreur de reconnaissance de «graphique» par rapport à la quantité de données d'apprentissage

2, avec le même nombre de calculs dans le passé, facile à atteindre une grande précision

Cette technique est mise en œuvre une seule fois avant l'apprentissage d'un réseau neuronal, ce qui permet d'atteindre une grande précision avec la même quantité d'apprentissage informatique que jamais.

NEC Group s'engage à faire progresser les solutions sociales dans le monde entier afin de fournir des valeurs sociales sûres, sécurisées, efficaces et équitables, d'intégrer les technologies TIC avancées au savoir et de contribuer à une société plus brillante, plus colorée et plus efficace .

(Note 1) Neural Network: Un réseau neuronal composé de cellules nerveuses artificielles (neurones).

(Note 2) Surapprentissage: sur-apprentissage des données données, mais pas de données d'apprentissage

Reconnaissance du phénomène de précision réduite.

(Note 3) Régularisation: suppression du surapprentissage en limitant la complexité du modèle.

L'information la plus cool sur les nouvelles technologies médiatiques

Sweep a remporté le prix