کاربرد یادگیری عمیق در بینایی کامپیوتر

برای استفاده از یادگیری عمیق در بینایی کامپیوتر عملکرد و کارایی یک CNN به وسیله معماری آن تعیین می­ شود که شامل ساختار لایه­ ها، نحوه طراحی عناصر و عناصر موجود در هر لایه است. در طول توسعه یادگیری عمیق، CNN­های زیادی ساخته شده ­اند. برخی از موثر­ترین آن­ ها به شرح زیر است:

AlexNet (2012):

AlexNet یک معماری مبتنی بر معماری قدیمی ­تر LeNet است. این معماری شامل پنج لایه پیچشی و سه لایه کاملاً متصل است. AlexNet از یک ساختار کانال دوگانه به­ منظور استفاده از دو GPU در طول فرآیند آموزش استفاده می­ کند.

 تفاوت اصلی میان AlexNet و معماری­ های پیشین استفاده از واحدهای خطی اصلاح شده (ReLU) به جای توابع فعال ­سازی سیگموئید یا تانژانت هایپربولیک است که در شبکه­ های عصبی سنتی بسیار استفاده می ­شد. ReLU محاسبه را ساده ­تر و سریع ­تر می­ کند و AlexNet را قادر می­ سازد تا مدل­ ها را سریع ­تر آموزش دهد.

GoogleNet(2014):

GoogleNet که به نام Inception V1 نیز شناخته می ­شود، بر اساس معماری LeNet ساخته شده است. معماری آن از 22 لایه تشکیل شده است که گروه­ های کوچکی از پیچش­ ها به نام “ماژول­ های ادراکی” را شامل می ­شود. این ماژول­ های ادراکی از نرمال­ سازی دست ه­ای و RMSprop برای کاهش تعداد پارامترهایی که GoogleNet  باید پردازش کند، استفاده می­ کنند. RMSprop الگوریتمی است که از روش­ های نرخ یادگیری تطبیقی استفاده می ­کند.

VGGNet(2014):

VGG 16 یک معماری 16 لایه است (برخی از انواع آن 19 لایه دارند). VGGNet دارای لایه­ های کانوولوشنال، یک لایه تجمعی، چندین لایه Conv و غیره است.

VGG مبتنی بر مفهوم یک شبکه بسیار عمیق ­تر با فیلتر­های کوچک­ تر است. این معماری در طول تمام مسیر از کانولوشن­ های 3×3 استفاده می ­کند که کوچک­ ترین اندازه فیلتر Conv است که فقط به برخی از پیکسل­ های مجاور نگاه می ­کند. این معماری از فیلتر­های کوچک به دلیل وجود پارامترهای کمتر و فراهم شدن امکان افزودن لایه­ های بیشتر، بهره می ­برد. همچنین این شبکه همان میدان ورودی موثری را فراهم می ­کند که گویی از یک لایه کانولوشنال 7×7 استفاده می­ کنید.

ResNet(2015):

ResNet مخفف Residual Neural Network، یک معماری طراحی شده برای داشتن تعداد زیادی زیر لایه است. معماری­ های مورد استفاده معمولا از ResNet-18 (دارای 18 لایه) تا ResNet-1202 (دارای 1202 لایه) متغیر اند. این لایه­ ها با واحد­های دریچه­ دار یا “اتصالات پرش” تنظیم می ­شوند که آن را قادر می­ سازد اطلاعات را به لایه ­های پیچشی بعدی منتقل کند. ResNet همچنین از نرمال­ سازی دسته ­ای برای بهبود پایداری شبکه استفاده می ­کند.

Xception(2016):

Xception یک معماری مبتنی بر ادراک است که ماژول­ های ادراکی را با پیچش­ های قابل جداسازی عمیق (پیچش­ های عمیق و به دنبال آن پیچش ­های نقطه ­ای) جایگزین می­ کند. این کار بدین صورت است که ابتدا همبستگی­ های بین ویژگی­ ها و سپس همبستگی­ های فضایی را بدست می ­آورد. این امکان استفاده موثر تر از پارامترهای مدل را فراهم می­کند.

ResNeXt-50:

ResNeXt-50 یک معماری مبتنی بر ماژول­ هایی با 32 مسیر موازی است. این معماری برای کاهش خطاهای اعتبار سنجی استفاده می­ شود و نمونه موفق و ساده ­سازی شده ماژول ­های ادارکی مورد استفاده در معماری­ های دیگر است.