Recientemente, NEC anunció que ha desarrollado una tecnología de auto optimización de aprendizaje profundo que puede mejorar más fácilmente la precisión del reconocimiento.
Cuando estudio anterior profundidad, es difícil basado en la estructura de la red neuronal (Nota 1) se ajusta, no se optimiza el aprendizaje a lo largo de la red, y por lo tanto no puede dar rienda suelta a su reconocimiento. El desarrollo de la tecnología, de forma automática puede optimizar en función de su estructura El progreso del aprendizaje de redes neuronales hace que sea más fácil identificarlo con más precisión que nunca.
Cuando, haciendo uso de los diversos campos de reconocimiento de imágenes y reconocimiento de voz tecnología de aprendizaje de profundidad, se espera que esta tecnología para mejorar aún más la precisión del reconocimiento. Por ejemplo, el reconocimiento de rostros y el comportamiento de punto de vigilancia de vídeo análisis para mejorar la precisión del reconocimiento, la infraestructura Verifique la eficiencia del trabajo para lograr la detección automática de desastres, accidentes y desastres.
Primero, el fondo
En los últimos años, la investigación sobre aprendizaje profundo ha dado pasos agigantados y se ha aplicado en una amplia gama de campos como reconocimiento de imágenes y reconocimiento de voz, etc. El aprendizaje profundo utiliza una red neuronal con estructura profunda para aprender datos preparados con anticipación para lograr una alta precisión. Sin embargo, si los datos se aprenden excesivamente, existe un fenómeno de "sobreaprendizaje (Nota 2)", en el cual solo los datos aprendidos se pueden identificar con alta precisión, y se reduce la precisión de reconocimiento de los datos no utilizados para el aprendizaje. La ocurrencia de esta situación requiere el uso de la tecnología de regularización (Nota 3) para ajustarse.
Desde el aprendizaje de las redes neuronales debido a su compleja estructura, sólo puede durar para toda la red utilizando las mismas técnicas de regularización. Los resultados se han producido algunas capas excesivas de la red de aprendizaje, el aprendizaje de algunos problemas de estancamiento y otros, lo que hace difícil plenamente jugar el rendimiento del reconocimiento inicial. Además, debido a ajustar manualmente el progreso de cada capa extremadamente difícil, por lo que una alta curva de aprendizaje para la capa por capa de ajuste automático de voz necesita.
El desarrollo de la tecnología es la estructura de la red neuronal, capa por predicción capa a base de progreso en el aprendizaje, y el progreso se configura automáticamente para cada capa de la técnica de regularización. Con esta técnica, toda la red se optimiza el aprendizaje y la tasa de errores de reconocimiento se puede reducir en alrededor de 20%, mejora la precisión de reconocimiento.
Capa 'Figura' de la tecnología de regularización de red neuronal establece automáticamente el esquema
En segundo lugar, las ventajas de las nuevas tecnologías
1, de acuerdo con la estructura de red neuronal de optimización automática de aprendizaje
Con base en la estructura de red neuronal, predecimos el progreso de aprendizaje de cada capa y establecemos automáticamente la regularización adecuada para el progreso de cada capa capa por capa, de modo que el progreso de aprendizaje de toda la red se optimice para resolver los problemas de sobreaprendizaje y aprendizaje. Estancamiento. En experimentos de reconocimiento que utilizan datos digitales manuscritos de esta técnica, la tasa de errores de reconocimiento se ha reducido en aproximadamente un 20%, y la precisión de reconocimiento ha mejorado significativamente.
El cambio en la tasa de error de reconocimiento de 'gráfico' con respecto a la cantidad de datos de aprendizaje
2, con la misma cantidad de cálculos en el pasado, fácil de lograr alta precisión
Esta técnica se implementa una vez solo antes de aprender una red neuronal, por lo que es fácil lograr una alta precisión con la misma cantidad de aprendizaje computacional que nunca.
NEC Group se compromete a promover soluciones sociales en todo el mundo para proporcionar valores sociales seguros, seguros, eficientes y justos, integrar tecnologías de TIC avanzadas con conocimiento y contribuir a una sociedad más brillante, colorida y eficiente .
(Nota 1) Red neuronal: una red neuronal compuesta de células nerviosas artificiales (neuronas).
(Nota 2) Sobreaprendizaje: sobre-aprendizaje dado datos, pero no datos de aprendizaje
Reconocimiento del fenómeno de disminución de la precisión.
(Nota 3) Regularización: Supresión del sobreaprendizaje al restringir la complejidad del modelo.
La información de tecnología de medios nueva más genial
Sweep ganó el premio
Comentario
* Declaraciones del usuario no son la posición del sitio, el sitio no se recomienda ningún comentario en la tienda en línea, distribuidor, tenga cuidado de ser engañado!
