Convolutional neural network (CNNs) pisanan dirancang kanggo tujuan pangenalan gambar ing bidang visi komputer. Jaringan kasebut minangka jinis jaringan syaraf tiruan khusus sing wis kabukten efektif banget kanggo nganalisa data visual. Pangembangan CNNs didorong dening kabutuhan kanggo nggawe model sing bisa nggolongake lan nggolongake gambar kanthi akurat, lan sukses ing domain iki nyebabake panggunaan sing nyebar ing macem-macem aplikasi liyane kayata deteksi obyek, segmentasi gambar, lan malah pangolahan basa alami.
CNNs diilhami dening struktur lan fungsi korteks visual ing otak manungsa. Kaya korteks visual, CNN kalebu pirang-pirang lapisan neuron sing saling nyambungake sing ngolah macem-macem aspek data input. Inovasi utama CNNs dumunung ing kemampuan kanggo sinau kanthi otomatis lan ngekstrak fitur sing cocog saka gambar, ngilangi kabutuhan teknik fitur manual. Iki digayuh liwat nggunakake lapisan convolutional, kang aplikasi saringan kanggo gambar input kanggo ndeteksi macem-macem pola visual lan fitur, kayata sudhut, sudhut, lan tekstur.
Terobosan pisanan ing CNNs teka karo introduksi arsitektur LeNet-5 dening Yann LeCun et al. ing 1998. LeNet-5 dirancang khusus kanggo pangenalan digit tulisan tangan lan entuk kinerja sing luar biasa ing dataset MNIST, dataset pathokan sing akeh digunakake kanggo ngevaluasi algoritma pangenalan gambar. LeNet-5 nduduhake kekuwatan CNN kanggo njupuk fitur hirarkis saka gambar, mbisakake klasifikasi akurat sanajan ana variasi ing skala, rotasi, lan terjemahan.
Wiwit kuwi, CNN wis ngalami évolusi sacara signifikan, kanthi arsitektur sing luwih jero lan luwih rumit dikembangake. Salah sawijining kemajuan sing misuwur yaiku introduksi arsitektur AlexNet dening Alex Krizhevsky et al. ing 2012. AlexNet entuk terobosan ing klasifikasi gambar kanthi menang ImageNet Large Scale Visual Recognition Challenge (ILSVRC) kanthi tingkat kesalahan sing luwih murah tinimbang pendekatan sadurunge. Sukses iki mbukak dalan kanggo nyebarake CNN ing tugas pangenalan gambar.
CNN uga wis sukses ditrapake kanggo tugas visi komputer liyane. Contone, ing deteksi obyek, CNN bisa digabungake karo lapisan tambahan kanggo lokalisasi lan klasifikasi obyek ing gambar. Jaringan Syaraf Konvolusional berbasis Wilayah (R-CNN) sing misuwur sing dikenalake dening Ross Girshick et al. ing 2014 conto arsitektur kuwi. R-CNN entuk asil paling canggih ing pathokan deteksi obyek kanthi nggunakake kekuwatan CNN kanggo ekstraksi fitur lan nggabungake karo metode proposal wilayah.
Jaringan syaraf konvolusional pisanan dirancang kanggo tugas pangenalan gambar ing bidang visi komputer. Dheweke wis ngrevolusi lapangan kanthi otomatis sinau fitur sing cocog saka gambar, ngilangi kabutuhan teknik fitur manual. Pangembangan CNN wis nyebabake kemajuan sing signifikan ing klasifikasi gambar, deteksi obyek, lan macem-macem tugas visi komputer liyane.
Pitakonan lan jawaban anyar liyane babagan Sinau Lanjut EITC/AI/ADL:
- Napa kita kudu ngetrapake optimasi ing machine learning?
- Nalika overfitting dumadi?
- Bisa Convolutional Neural Networks nangani data sequential kanthi nggabungake convolutions liwat wektu, minangka digunakake ing Convolutional Sequence kanggo model Sequence?
- Apa Generative Adversarial Networks (GAN) ngandelake ide generator lan diskriminator?