Recentemente, a NEC anunciou que desenvolveu uma tecnologia de auto-otimização de aprendizagem profunda que pode melhorar de forma mais fácil a precisão do reconhecimento.
No passado, o aprendizado profundo foi difícil de ajustar com base na estrutura da rede neural (Nota 1), de modo que era impossível realizar uma aprendizagem ideal em toda a rede, deixando de realizar plenamente sua identificação. A tecnologia desenvolvida pode ser otimizada automaticamente com base em sua estrutura O progresso da aprendizagem da rede neural facilita a identificação mais precisa do que nunca.
O surgimento desta tecnologia permite melhorar ainda mais a precisão do reconhecimento em vários campos, como reconhecimento de imagem e reconhecimento de voz, etc. Por exemplo, a precisão de reconhecimento de vigilância por vídeo, como reconhecimento de face e análise de comportamento, e infra-estrutura Verifique a eficiência do trabalho para conseguir a detecção automática de desastres, acidentes e desastres.
Primeiro, o plano de fundo
Nos últimos anos, a pesquisa sobre aprendizado profundo tem avançado e foi aplicada em uma ampla gama de campos, como reconhecimento de imagem e reconhecimento de voz, etc. O aprendizado profundo usa uma rede neural com estrutura profunda para aprender dados previamente preparados para alcançar alta precisão. No entanto, se os dados são excessivamente aprendidos, há um fenômeno de "sobre-aprendizagem (Nota 2)", no qual apenas os dados aprendidos podem ser identificados com alta precisão e a precisão de reconhecimento de dados não utilizados para aprendizagem é reduzida. A ocorrência desta situação requer o uso da tecnologia de regularização (Nota 3) para ajustar.
Devido ao processo de aprendizagem complicado e mutável das redes neurais, a mesma técnica de regularização só pode ser utilizada para toda a rede no passado, resultando em problemas como o aprendizado excessivo em todos os níveis da rede e a estagnação de aprendizagem, o que dificulta a plena Além disso, uma vez que é extremamente difícil ajustar manualmente o progresso de aprendizagem de todos os níveis, a demanda por ajustar automaticamente a aprendizagem progressivamente por camada é muito alta.
A tecnologia desenvolvida desta vez baseia-se na estrutura da rede neural, que prevê o progresso da aprendizagem camada por camada e configura automaticamente técnicas de regularização que são adequadas para o progresso de todas as camadas. Com esta técnica, o aprendizado é otimizado em toda a rede e a taxa de erro de reconhecimento pode ser reduzida em cerca de 20%, melhore a precisão do reconhecimento.
A camada 'Figura' da tecnologia de regularização da rede neural configura automaticamente o esquema
Em segundo lugar, as vantagens das novas tecnologias
1, de acordo com a estrutura da rede neural de otimização automática de aprendizagem
Com base na estrutura da rede neural, prevemos o progresso de aprendizagem de cada camada e configuramos automaticamente a regularização adequada para o progresso de cada camada camada por camada. Assim, o progresso de aprendizagem de toda a rede é otimizado para resolver os problemas de aprendizado e aprendizado excessivo Estagnação. Em experiências de reconhecimento usando dados digitais manuscritos desta técnica, a taxa de erro de reconhecimento foi reduzida em cerca de 20% e a precisão do reconhecimento foi significativamente melhorada.
A alteração na taxa de erro de reconhecimento de "gráfico" em relação à quantidade de dados de aprendizagem
2, com a mesma quantidade de cálculos no passado, fácil de alcançar alta precisão
Esta técnica é implementada apenas uma vez antes de aprender uma rede neural, facilitando a obtenção de alta precisão com a mesma quantidade de aprendizagem computacional que nunca.
O Grupo NEC dedica-se a promover soluções sociais em todo o mundo para proporcionar valores sociais seguros, seguros, eficientes e justos, integrar as tecnologias avançadas de TIC com o conhecimento e contribuir para uma sociedade mais brilhante, mais colorida e eficiente .
(Nota 1) Rede Neural: Uma rede neural composta por células nervosas artificiais (neurônios).
(Nota 2) Sobre-aprendizagem: sobre-aprendizagem dado dados, mas não dados de aprendizagem
Reconhecimento do fenômeno da diminuição da precisão.
(Nota 3) Regularização: Supressão de sobre-aprendizagem, restringindo a complexidade do modelo.
A informação mais legal da tecnologia de novos meios de comunicação
Sweep ganhou o prêmio
Comente
* As declarações do usuário não são a posição do site, o site não é recomendado nenhum comentário na loja online, revendedor, tenha cuidado em ser enganado!
