NEC는 심화 학습 자동 최적화 기술을 개발하여 인식 정확도를 향상 시켰습니다.

최근 NEC는 깊은 학습 자동 최적화 기술의 인식 정확도를 향상시킬 수있는 더 쉬운의 개발을 발표했다.

과거의 심도있는 연구, 그것은 조정 신경망 구조 (주 1)를 기반으로 어려울 때, 그것의 인식을 발휘 할 수 있으므로 네트워크를 통해 학습을 최적화하고 있지 않습니다. 기술의 개발, 자동으로 구조를 기반으로 최적화 할 수 있습니다 쉽게 지금까지 확인 된 것보다 더 정확 달성하고, 신경망 학습을 진행.

이 기술의 출현으로, 화상 인식이나 음성 인식 등, 다양한 분야의 인식 정밀도를 한층 더 향상시킬 수있다. 예를 들면, 얼굴 인식이나 행동 분석 등의 영상 감시의 인식 정밀도 나 인프라 재해, 사고 및 재해를 자동으로 탐지하기 위해 작업의 효율성을 점검하십시오.

첫째, 배경

최근 몇 년 동안, 도약을. 진전의 깊은 학습 등 이미지 인식, 음성 인식, 다양한 분야에서 높은 정확도를 달성하기 위해 사전 준비 데이터를 학습, 신경 네트워크의 심층 구조의 깊이를 사용하는 방법을 배우게 할 필요가 적용되었습니다. 데이터가 과도하게 알게되면 학습 정확도를 특정하기위한 데이터가 감소되는 반면. 위해 피하기 위해 '과다 학습 (주 2)'데이터만을 알게 정확하게 식별 될 수있다 표시를, 그러나, 현상 것 이 상황이 발생하면 정규화 (주 3) 기술을 사용하여 조정해야합니다.

신경망의 복잡하고 변화 가능한 학습 과정으로 인해 과거의 전체 네트워크에 대해서만 동일한 정규화 기술을 사용할 수 있기 때문에 과도한 학습과 네트워크의 모든 수준에서 학습 정체가 발생하여 완전히 어려워졌습니다 또한, 모든 레벨의 학습 진행을 수동으로 조정하는 것은 극히 어렵 기 때문에, 레이어별로 학습을 자동으로 조정할 필요성이 매우 높습니다.

이번에 개발 된 기술은 계층별로 학습 진행을 예측하고 모든 계층의 진행에 적합한 정규화 기법을 자동으로 구성하는 신경망 구조에 기반을두고 있으며 네트워크를 통해 학습을 최적화하고 인식 오류율을 20 %, 인식 정확도 향상.

신경망 정규화 기술의 '그림'계층이 자동으로 회로도를 설정

둘째, 신기술의 장점

1, 자동 학습 최적화의 신경 네트워크 구조에 따르면

신경망 구조를 바탕으로 각 계층의 학습 진행을 예측하고 각 계층의 진행에 적합한 정규화를 계층별로 자동 설정하여 과도한 학습 및 학습 문제를 해결하기 위해 전체 네트워크의 학습 진행을 최적화합니다 정체 현상.이 기술의 손으로 쓴 디지털 데이터를 이용한 인식 실험에서 인식 오류율이 약 20 % 감소하고 인식 정확도가 크게 향상되었습니다.

학습 데이터의 양에 대한 '그래프'의 인식 오류율의 변화

2, 높은 정확도를 달성하기 쉬운 과거의 계산과 같은 금액으로

이 기술은 신경 네트워크를 학습하기 전에 한 번만 구현되므로 이전과 동일한 양의 전산 학습으로 높은 정확도를 쉽게 달성 할 수 있습니다.

NEC 그룹은 세계적인 규모의 사회적 솔루션을 홍보하는 마음, 안전하고 효율적이며 공정한 사회적 가치, 첨단 기술과 지식 ICT 통합의 평화를 제공하기 위해 최선을 다하고 있습니다, 기여를 만들기 위해 더욱 밝고 화려하고 효율적인 사회를 달성하기 위해 .

(주 1) 신경망 (Neural Network) : 인공 신경 세포 (뉴런)로 구성된 신경망.

(주 2) 과잉 학습 : 학습 데이터가 아닌 과목의 과목 학습.

정확도가 떨어지는 현상을 인식합니다.

(주 3) 정형화 (Regularization) : 모델의 복잡성을 제한함으로써 과잉 학습을 억제한다.

가장 멋진 새로운 미디어 기술 정보

스윕이 상을 받았습니다.