Convolutional neural network (CNN): Lære datamaskiner å se

• Forfatter:
• forfatternavn

  Quantumrun Foresight
• Desember 1, 2023

Oppsummering av innsikt

Convolutional Neural Networks (CNN) er sentrale i bildeklassifisering og datasyn, og transformerer hvordan maskiner identifiserer og forstår visuelle data. De etterligner menneskesyn, behandler bilder gjennom konvolusjonelle, sammenslående og fullt tilkoblede lag for funksjonsutvinning og analyse. CNN-er har forskjellige applikasjoner, inkludert detaljhandel for produktanbefalinger, bilindustri for sikkerhetsforbedringer, helsetjenester for tumordeteksjon og ansiktsgjenkjenningsteknologi. Bruken deres strekker seg til å dokumentere analyser, genetikk og analysere satellittbilder. Med deres økende integrering i ulike sektorer, reiser CNN-er etiske bekymringer, spesielt angående ansiktsgjenkjenningsteknologi og datapersonvern, og fremhever behovet for nøye vurdering av deres distribusjon.

Konvolusjonelt nevralt nettverk (CNN) kontekst

CNN-er er en dyp læringsmodell inspirert av hvordan mennesker og dyr bruker øynene til å identifisere objekter. Datamaskiner har ikke denne muligheten; når de "ser" et bilde, blir det oversatt til sifre. Dermed skiller CNN-er seg fra andre nevrale nettverk ved deres avanserte evner for å analysere bilde- og lydsignaldata. De er designet for å automatisk og adaptivt lære romlige hierarkier av funksjoner, fra lavt til høyt nivå mønstre. CNN-er kan hjelpe en datamaskin med å tilegne seg "menneskelige" øyne og gi den datasyn, slik at den kan absorbere alle pikslene og tallene den ser og hjelpe til med bildegjenkjenning og klassifisering. 

ConvNets implementerer aktiveringsfunksjoner i et funksjonskart for å hjelpe maskinen med å bestemme hva den ser. Denne prosessen aktiveres av tre hovedlag: konvolusjonslaget, sammenslåingslaget og de fullstendig sammenkoblede lagene. De to første (convolutional og pooling) utfører datautvinningen, mens det fullt tilkoblede laget genererer utdata, for eksempel klassifisering. Funksjonskartet overføres fra lag til lag til datamaskinen kan se hele bildet. CNN-er får så mye informasjon som mulig for å oppdage ulike egenskaper. Ved å fortelle datamaskiner om å se etter kanter og linjer, lærer disse maskinene å identifisere bilder raskt og nøyaktig med hastigheter som er umulige for mennesker.

Forstyrrende påvirkning

Mens CNN-er oftest brukes til bildegjenkjenning og klassifiseringsoppgaver, kan de også brukes til deteksjon og segmentering. For eksempel, i detaljhandel, kan CNN-er visuelt søke for å identifisere og anbefale varer som utfyller en eksisterende garderobe. I bilindustrien kan disse nettverkene se opp for endringer i veiforhold, for eksempel registrering av kjørefelt for å forbedre sikkerheten. I helsevesenet brukes CNN-er til å identifisere kreftsvulster bedre ved å segmentere disse skadede cellene fra de friske organene rundt dem. I mellomtiden har CNN-er forbedret ansiktsgjenkjenningsteknologi, slik at sosiale medieplattformer kan identifisere personer på bilder og gi anbefalinger om tagging. (Facebook har imidlertid besluttet å stoppe denne funksjonen i 2021, med henvisning til økende etiske bekymringer og uklare regulatoriske retningslinjer for bruk av denne teknologien). 

Dokumentanalyse kan også forbedres med CNN. De kan verifisere et håndskrevet verk, sammenligne det med en database med håndskrevet innhold, tolke ordene og mer. De kan skanne håndskrevne papirer som er kritiske for bank og finans eller dokumentklassifisering for museer. I genetikk kan disse nettverkene evaluere cellekulturer for sykdomsforskning ved å undersøke bilder og kartlegging og prediktiv analyse for å hjelpe medisinske eksperter med å utvikle potensielle behandlinger. Til slutt kan konvolusjonslag hjelpe til med å kategorisere satellittbilder og raskt identifisere hva de er, noe som kan hjelpe i romutforskning.

Anvendelser av konvolusjonelt nevralt nettverk (CNN)

Noen applikasjoner av konvolusjonelt nevralt nettverk (CNN) kan omfatte: 

• Økt bruk i helsetjenester diagnoser, inkludert radiologi, røntgen og genetiske sykdommer.
• Bruken av CNN-er for å klassifisere streamede bilder fra romferger og stasjoner, og månerover. Forsvarsbyråer kan bruke CNN til overvåkingssatellitter og droner for autonom identifikasjon og vurdering av sikkerhet eller militære trusler.
• Forbedret optisk tegngjenkjenningsteknologi for håndskrevne tekster og bildegjenkjenning.
• Forbedret robotsorteringsapplikasjoner i lager og resirkuleringsanlegg.
• Bruken av dem til å klassifisere kriminelle og personer av interesse fra by- eller interiørovervåkingskameraer. Imidlertid kan denne metoden være gjenstand for skjevheter.
• Flere selskaper blir spurt om deres bruk av ansiktsgjenkjenningsteknologi, inkludert hvordan de samler inn og bruker dataene.

Spørsmål å kommentere

• Hvordan tror du ellers CNN-er kan forbedre datasyn og hvordan vi bruker det daglig?
• Hva er de andre mulige fordelene med bedre bildegjenkjenning og klassifisering?