должен это сделать на основе машинного обучения – возможности обучаться без явного описания его знаний программным кодом. Глубокий рефакторинг 31.11.2017 Давайте вначале рассмотрим в начале, что такое задача визуального распознавания изображений. Под визуальным распознаванием
Вычислительные мощности: 2 x GTX 580 GPU ImageNet classification with deep convolutional neural networks, A. Krizhevsky et al., NIPS 2012 Глубокий рефакторинг 31.11.2017
Image Classification Models and Saliency Maps, K. Simonyan et al., ICLR Workshop 2014 На что реагируют нейроны глубокой сети Глубокий рефакторинг 31.11.2017
с различной степенью регуляризации Understanding Deep Image Representations by Inverting Them, A. Mahendran and A. Vedaldi, CVPR 2015 Глубокий рефакторинг 31.11.2017
Deep Residual Learning for Image Recognition, K. He et al., CVPR 2016 Going Deeper with Convolutions, C. Szegedy et al., CVPR 2015 Very Deep Convolutional Networks for Large-Scale Image Recognition, K. Simonyan et al., ICLR 2015 Глубокий рефакторинг 31.11.2017
Image Classification Models and Saliency Maps, K. Simonyan et al., ICLR Workshop 2014 Увеличение активаций отдельных классов на серой картинке Глубокий рефакторинг 31.11.2017
распознавания, который дает богатые представления объектов, более устойчивые к различным доменам • Нейронная сеть не является «черным ящиком», а ищет семантические концепты для решения задачи, которые можно интерпретировать • В нейронной сети содержится информация от признаках различного уровня – от границ и градиентов до объектов • Остается разрыв между обучением без учителя и с учителем при достаточном количестве размеченных данных • На текущий момент нейронная сеть не воспроизводит полностью схему зрительного восприятия человека Глубокий рефакторинг 31.11.2017