Традиционные подходы машинного обучения к компьютерному зрению работают с применением фильтра / ядра к изображению. Например, фильтры ниже определяют вертикальные и горизонтальные края соответственно:
Некоторые фильтры по-разному взвешивают разные пиксели в ядре, чтобы добиться более сильного акцента на центральных пикселях или для инкапсуляции другого возможного шаблона. Примеры этого - фильтры Sobel и Scharr:
Комбинации этих фильтров очень эффективны в детекторах объектов, таких как алгоритм Виолы-Джонса. Этот алгоритм использует комбинацию фильтров, которые инкапсулируют такие особенности, как нос, глаза, губы и т. Д. Эти фильтры применяются к изображению для определения вероятности того, что изображение является лицом.
Разница между подходами глубокого обучения и машинного обучения заключается в том, что глубокое обучение не основывается на функциях, созданных вручную, таких как то, что используется в алгоритме Виолы-Джонса. Вместо этого методы обнаружения объектов Deep Learning используют сверточную сеть для извлечения функций из необработанных данных изображения.
Когда вы услышите о сверточных сетевых архитектурах, таких как AlexNet, VGG или ResNet, вы увидите, что у них есть «8,5 миллионов параметров» или что-то в этом роде, поэтому цель этой статьи - показать вам, что это за параметры и для чего они служат для обнаружения / классификации объектов и сверточной сети.
Сети глубокого обучения используют алгоритм обратного распространения и различные стили градиентного спуска для оптимизации набора параметров. Например, модель линейной регрессии y = w1x1 + w2x2 + w3x3 + w0 будет использовать комбинацию прямого / обратного прохода для достижения оптимальных значений для w0, w1, w2 и w3, чтобы минимизировать потери в соответствии с некоторой функцией потерь, обычно просто (у-у ') ².
Параметры в сверточных сетях оптимизированы для изучения оптимальных значений для линейных фильтров, применяемых к изображениям, таких как вертикальные / горизонтальные ядра и операторы Собела / Шара.
Спасибо за чтение, теперь вы должны понимать, что представляют собой параметры в сверточных сетях.
