Bevezetés a mély tanulásba

Slides:



Advertisements
Hasonló előadás
NEURONHÁLÓK.
Advertisements

ÉRDEKES PONTOK KINYERÉSE DIGITÁLIS KÉPEKEN. BEVEZETÉS  ALAPPROBLÉMA  Jellemzőpontok detektálása mindkét képen  Kinyert pontok megfeleltetése  Megfeleltetések.
Nyitray Norbert 6. Tétel: Ön egy kisvállalkozás számítástechnikai munkatársa. Munkahelyén mindössze néhány számítógépes munkahely van. Feladata a kisebb.
Munka-magánélet egyensúlya- a vállalkozás, mint lehetséges megoldás
Geometriai transzformációk
1 Hernyák Zoltán Programozási Nyelvek II. Eszterházy Károly Főiskola Számítástudományi tsz.
IRE 8 /38/ 1 Óbudai Egyetem, NIK Dr. Kutor László2011. TÁMOP – I ntelligens R endszerek E lmélete 8.
Digitális képanalízis
Bevezetés a Java programozásba
Függvénytranszformációk
Mesterséges neuronhálózatok
SZÁMÍTÓGÉP ARCHITEKTÚRÁK
Szűrés és konvolúció Vámossy Zoltán 2004
Fülemüle informatika verseny
Napjaink háttértárolói
Nevem: Tóth Nándor Témám: Közösségi portálok használata
Tehetséggondozás a könyvtárban Eger, december 10. Hock Zsuzsanna Mérei Pedagógiai Intézet
A mikrovezérlők világa
Implementált képfeldolgozó algoritmusok
HATÉKONY SAJÁTSÁGKIEMELŐK KÉPEK ÖSSZEHASONLÍTÁSÁHOZ MobileAssistant workshop, május 4. Főnix Inkubátorház, 4029 Debrecen, Csapó u. 42. A ép III/2.
Fejmozgás alapú gesztusok felismerése Bertók Kornél, Fazekas Attila Debreceni Egyetem, Informatikai Kar Debreceni Képfeldolgozó Csoport KÉPAF 2013, Bakonybél.
Adatbázisrendszerek jövője
Hálózati architektúrák
Ciklikus, lineáris kódok megvalósítása shift-regiszterekkel
Közlekedésmodellezés Készítette: Láng Péter Konzulens: Mészáros Tamás.
Diagnosztika intelligens eszközökkel
Textúra elemzés szupport vektor géppel
Készítette: Gergó Márton Konzulens: Engedy István 2009/2010 tavasz.
Másodfokú függvények ábrázolása
Számítógép-hálózatok
Számítógép legfontosabb paraméterei
A képernyő kezelése: kiíratások
Digitális képanalízis Pontoperátorok, matching. Nézzünk egy példát!
Prímrekord, 2005 Csajbók Tímea, Farkas Gábor, Kasza János.
Java programozási nyelv Tömbök
A Neumann-elvek 3. ÓRA.
Processzor, alaplap, memória
Az arcfelismerés és arc detektálás alapjai Matusinka Roland OE-NIK
Objektum orientált programozás
Funkciós blokkok A funkciós blokkok áttekintése Az alkalmazás előnyei.
Az adatok/programok külső tárolása és kezelése
Nagy Szilvia 13. Konvolúciós kódolás
A többmagos processzorok világa Páter-Részeg Attila (PAASABI.ELTE) Beadandó I.
1 5. ELŐADÁS. 2 Munkakör-értékelés 3 A munkakör-értékelés szisztematikus folyamat. Célja a munkakörök relatív értékének meghatáro- zása adott szervezet.
Szabadkai Műszaki Szakfőiskola 1. A neuron modellje a következő 3 elemből áll: 1. A szinapszisok halmaza amelyekkel a neuronok egymáshoz vannak kapcsolva.
Plakát Ha lehet, akkor ez 1.oldalon lévő mintából kellene plakátot készíteni A szöveg középen : Kabát akció!, mellette a piros alapú logo A divat.
A projekt az Európai Unió társfinanszírozásával, az Európa terv keretében valósul meg. Számítógép- architektúrák dr. Kovács György DE AVK GAIT.
5. ELŐADÁS. Munkakör-értékelés A munkakör-értékelés szisztematikus folyamat. Célja a munkakörök relatív értékének meghatáro- zása adott szervezet keretei.
Nagy Szilvia 2. Lineáris blokk-kódok II.
Struktúra predikció Struktúra lehet Felügyelt tanulási probléma
Memóriakezelés feladatok Feladat: 12 bites címtartomány. 0 ~ 2047 legyen mindig.
PPKE ITK 2009/10 tanév 8. félév (tavaszi) Távközlő rendszerek forgalmi elemzése Tájékoztatás GY
KNUTH-MORRIS-PRATT ALGORITMUS (KMP) KÉSZÍTETTE: ZELNIK MÁRTON.
Fejmozgás alapú gesztusok felismerése Bertók Kornél, Fazekas Attila Debreceni Egyetem, Informatikai Kar Debreceni Képfeldolgozó Csoport KÉPAF 2013, Bakonybél.
1.Kanonikus felügyelt tanulási feladat definíciója (5p) 1.Input, output (1p) 2.Paraméterek (1p) 3.Hipotézisfüggvény (1p) 4.Hibafüggvény/költségfüggvény.
CSALÁDI ÉLETRE NEVELÉS
NobelGuide TM Powered by Procera. Hagyományos implantáció lépései Paciens vizsgálata, megfelelő kezelési terv elkészítése.
Ilyen számítógépet szeretnék
Neumann elvek, a számítógép részei
Neumann János Informatikai Kar
Technológiai folyamatok optimalizálása
GPGPU – CUDA 2..
Konvolúciós neuronhálók
Mély neuronhálók (Deep neural networks)
A mesterséges neuronhálók alapjai
Bevezetés a mély tanulásba
Objektum-detektálás A tananyag az EFOP
KONVOLÚCIÓS NEURONHÁLÓK
Visszacsatolt (rekurrens) neuronhálók
Minimum és maximum függvények
Előadás másolata:

Bevezetés a mély tanulásba

Konvolúciós mély hálók Hagyományosan minden neuron hozzá van kapcsolva minden bementhez A konvolúciós hálók viszont csak lokális bemenetet használnak Képfeldolgozásban használták először Lényege, hogy a neuronokat végig-konvolváljuk a bementen

Motiváció Manapság a képek nagyon nagy méretűek, következésképpen a hagyományos hálók rengeteg paramétert igényelnek feldolgozásukhoz A képen lokális jellemzők alapján tudunk jó döntést hozni, pl. arc esetén van szem, orr, száj is a képen A képen található jellemzők más és más pozícióban találhatóak, eltolás invariáns megoldás kellene

Konvolúciós művelet Képfeldolgozásban használt matematikai művelet

Konvolúciós művelet 2 A neuronok súlymátrixa lesz a kernel Minden neuronhoz több kimeneti érték fog tartozni Fontos kérdések: Kernel mérete (manapság kicsit 3x3 vagy 5x5) Padding, azaz a kép szelén mi történjen Shift, a konvolúció elvégzése során mennyivel toljuk odébb a kernelt

Pooling Mivel minden neuron kimenete egy kép, így nagyon gyorsan kifogyhatunk a memóriából, ráadásul egy neuron kimenetében nem minden érték fontos Megoldás: Pooling Konvolúcióhoz hasonló, kis lokális környezetet redukáljunk 1 db számmá Lehetséges módszerek: Maxout, vegyük a maximumot Avg, vegyük az átlagot Stb.

Konvolúciós hálók struktúrája

Miért működnek? A konvolúciós lépés segítségével kis lokális jellemző kinyerőt tudunk tanítani, a későbbi rejtett rétegekben található neuronok pedig magasabb szintű jellemzőket tudnak detektálni A poolingnak köszönhetően bizonyos kereteken belül eltolás invariánssá tudjuk tenni a jellemzők detektálását Lényegében hierarchikus felismerőt tudunk létrehozni

Modern konvolúciós hálók Manapság már rendelkezésünkre állnak nevesített konvolúciós hálóstruktúrák

Modern konvolúciós hálók

RCNN, MRCNN Amikor nem csupán osztályozni akarjuk a képet, hanem annak részeit szeretnénk osztályozni, akkor régió alapú CNN-t tudunk használni

RCNN, MRCNN