Konvoluční neuronová síť (CNN): Výuka počítačů, jak vidět

• Autor:
• jméno autora

  Quantumrun Foresight
• 1. prosince 2023

Shrnutí statistik

Konvoluční neuronové sítě (CNN) jsou klíčové v klasifikaci obrazu a počítačovém vidění a mění způsob, jakým stroje identifikují a chápou vizuální data. Napodobují lidské vidění, zpracovávají obrazy prostřednictvím konvolučních, sdružovacích a plně propojených vrstev pro extrakci a analýzu funkcí. CNN mají různé aplikace, včetně maloobchodu pro doporučení produktů, automobilového průmyslu pro zlepšení bezpečnosti, zdravotnictví pro detekci nádorů a technologie rozpoznávání obličeje. Jejich použití se rozšiřuje na analýzu dokumentů, genetiku a analýzu satelitních snímků. S jejich rostoucí integrací do různých sektorů vyvolávají CNN etické obavy, zejména pokud jde o technologii rozpoznávání obličeje a soukromí dat, a zdůrazňují potřebu pečlivého zvážení jejich nasazení.

Kontext konvoluční neuronové sítě (CNN).

CNN jsou modelem hlubokého učení inspirovaným tím, jak lidé a zvířata používají oči k identifikaci objektů. Počítače tuto schopnost nemají; když „zobrazí“ obrázek, převede se na číslice. CNN se tedy od ostatních neuronových sítí odlišují svými pokročilými schopnostmi pro analýzu obrazových a zvukových signálů. Jsou navrženy tak, aby se automaticky a adaptabilně učily prostorové hierarchie prvků, od vzorů nízké až po vysoké úrovně. CNN mohou pomoci počítači při získávání „lidských“ očí a poskytovat mu počítačové vidění, což mu umožňuje absorbovat všechny pixely a čísla, které vidí, a pomáhá při rozpoznávání a klasifikaci obrazu. 

ConvNets implementují aktivační funkce v mapě funkcí, aby pomohly počítači určit, co vidí. Tento proces umožňují tři hlavní vrstvy: konvoluční, sdružovací a plně propojené vrstvy. První dva (konvoluční a sdružovací) provádějí extrakci dat, zatímco plně připojená vrstva generuje výstup, jako je klasifikace. Mapa prvků se přenáší z vrstvy do vrstvy, dokud počítač neuvidí celý obrázek. CNN dostávají co nejvíce informací k detekci různých charakteristik. Tím, že říkají počítačům, aby hledaly hrany a čáry, se tyto stroje učí, jak rychle a přesně identifikovat obrazy rychlostí, která je pro člověka nemožná.

Rušivý dopad

Zatímco CNN se nejčastěji používají pro rozpoznávání a klasifikaci obrazu, lze je také použít pro detekci a segmentaci. Například v maloobchodě mohou CNN vizuálně vyhledávat a identifikovat a doporučit položky, které doplňují stávající šatník. V automobilovém průmyslu mohou tyto sítě sledovat změny stavu vozovky, jako je detekce jízdních pruhů, aby se zvýšila bezpečnost. Ve zdravotnictví se CNN používají k lepší identifikaci rakovinných nádorů segmentací těchto poškozených buněk ze zdravých orgánů kolem nich. Mezitím CNN vylepšily technologii rozpoznávání obličeje, která platformám sociálních médií umožňuje identifikovat lidi na fotografiích a dávat doporučení k označování. (Facebook se však rozhodl tuto funkci v roce 2021 zastavit s odvoláním na rostoucí etické obavy a nejasnou regulační politiku při používání této technologie). 

Analýzu dokumentů lze také zlepšit pomocí CNN. Mohou ověřit ručně psané dílo, porovnat je s databází ručně psaného obsahu, interpretovat slova a další. Mohou skenovat ručně psané dokumenty důležité pro bankovnictví a finance nebo klasifikaci dokumentů pro muzea. V genetice mohou tyto sítě vyhodnocovat buněčné kultury pro výzkum nemocí zkoumáním obrázků a mapováním a prediktivními analýzami, které pomáhají lékařským odborníkům při vývoji potenciálních léčebných postupů. Konečně, konvoluční vrstvy mohou pomoci při kategorizaci satelitních snímků a rychlé identifikaci toho, co to je, což může pomoci při průzkumu vesmíru.

Aplikace konvoluční neuronové sítě (CNN)

Některé aplikace konvoluční neuronové sítě (CNN) mohou zahrnovat: 

• Zvýšené použití ve zdravotních diagnózách, včetně radiologie, rentgenu a genetických chorob.
• Použití CNN ke klasifikaci streamovaných snímků z raketoplánů a stanic a měsíčních roverů. Obranné agentury mohou použít CNN na sledovací satelity a drony pro autonomní identifikaci a hodnocení bezpečnostních nebo vojenských hrozeb.
• Vylepšená technologie optického rozpoznávání znaků pro ručně psané texty a rozpoznávání obrázků.
• Vylepšené aplikace robotického třídění ve skladech a recyklačních zařízeních.
• Jejich použití při klasifikaci zločinců a zájmových osob z městských nebo vnitřních sledovacích kamer. Tato metoda však může být zkreslená.
• Více společností bylo dotazováno na jejich používání technologie rozpoznávání obličeje, včetně toho, jak shromažďují a používají data.

Otázky ke komentáři

• Jak jinak podle vás mohou CNN zlepšit počítačové vidění a jak je denně používáme?
• Jaké jsou další možné výhody lepšího rozpoznávání a klasifikace obrázků?