ログイン
サインイン

マインドマップギャラリー古典的なネットワーク分析

古典的なネットワーク分析

いくつかの古典的なネットワークの詳細な機能が紹介され、AlexNet、ZLNet、VGG、GoogleNet、および resnet の知識が共有されます。

2023-07-27 22:46:54 に編集されました

WSUJfrxa

最近の作品その他の作品を表示>>

細菌
これはバクテリアに関するマインドマップであり、その主な内容には、概要、形態、種類、構造、生殖、分布、アプリケーション、および拡張が含まれます。概要は包括的で綿密で、レビュー資料として適しています。
植物無性生殖
これは、植物の無性生殖に関するマインドマップであり、その主な内容には、概念、胞子の生殖、栄養生殖、組織培養、芽が含まれます。概要は包括的で綿密で、レビュー資料として適しています。
動物の生殖発達
これは、動物の生殖発達に関するマインドマップであり、その主な内容には、昆虫、カエル、鳥、性的生殖、無性生殖が含まれます。概要は包括的で綿密で、レビュー資料として適しています。

古典的なネットワーク分析

WSUJfrxa

最近の作品その他の作品を表示>>

おすすめ
アウトライン

コンピュータビジョンデジタル画像処理
- 6
PlotWizard
完全に接続されたニューラルネットワーク
- 9
WSUJfrxa
畳み込みニューラルネットワーク
- 8
WSUJfrxa
注意メカニズム
- 11
WSUJfrxa
モデルの生成
- 5
WSUJfrxa
コンボリューション、ノイズ除去、エッジ抽出
- 5
WSUJfrxa
コンピュータービジョンとディープラーニング
- 7
WSUJfrxa
主要な深層学習モデル
- 13
Mason·Carter
BEVのセンシング方向の学習シーケンス
- 16
21_ethanSawyer

古典的なネットワーク分析

アレックスネット

構造

全8フロア

5つの畳み込み層

完全に接続された 3 層の層

効果

分類に意味のあるデータから構造的特徴を学習する

入力画像の構造情報を記述する

記述結果は 256 個の 6x6 特徴応答マップに保存されます

ZLネット

AlexNet と同じ構造

改善する

以前のコンボリューションカーネルをより小さいサイズに変更します

特徴を正常に抽出するにはステップサイズを大きくします

後期畳み込みカーネルの数を増やす

VGG

16層ニューラルネットワーク

13 畳み込み層

完全に接続された 3 つの層

改善する

より大きな受容野を得るために、より小さな 3x3 コンボリューションカーネルを直列に使用します。

より深い深さ、より強い非線形性、より少ないネットワークパラメータ

AlexNet の LRN 層を削除する

要約する

小型コンボリューションカーネルの利点

直列に接続された複数の小型コンボリューションカーネルは、大型コンボリューションカーネルと同じ受容野を取得でき、必要なトレーニングパラメータが少なくなります。

512 への畳み込みの理由

特徴をできるだけ集めて表現するためにパラメータがたくさんあります

パラメータが多すぎると過学習になりやすく、学習には適しません。

グーグルネット

22階

革新

入力信号のより特徴的な情報を保持できる開始構造を提案

ボトルネック層を追加し、畳み込みチャネルの数を変更する

完全に接続された層を削除し、平均プーリングを使用すると、パラメーターはわずか 500 万個となり、AlexNet の 12 分の 1 になります。

トレーニング中の勾配消失の問題を克服するために、補助分類器がネットワークの途中に導入されます。

要約する

平均プーリングベクトル化と直接拡張ベクトル化の違い

特徴応答マップ上の各位置の値は、画像内の対応する位置の構造と、コンボリューションカーネルによって記録された意味構造との間の類似性を反映しています。

平均プーリングにより意味構造の空間的位置情報が失われる

意味構造の位置情報を無視することは、畳み込み層によって抽出された特徴の翻訳不変性を改善するのに役立ちます。

レスネット

ネットワーク層を深くする

深いネットワークは浅いネットワークよりも劣っているように見える

理由

トレーニングプロセス中、ネットワークのポジティブな情報とネガティブな情報はスムーズに流れず、ネットワークは完全にはトレーニングされません。

革新

提案された残差モジュール

残ったモジュールを積み重ねることにより、任意の深さのニューラルネットワークを「劣化」することなく構築できます。

提案されたバッチ正規化

ネットワークトレーニング中の勾配の消失と闘い、重みの初期化への依存を減らします。

ReLU活性化関数の初期化手法を提案

残余ネットワークのパフォーマンスが良い理由

統合モデルとみなすことができる