ປັນຍາປະດິດ

ລະບົບການຮຽນຮູ້ເລິກຮຽນຮູ້ທີ່ດີກວ່າໃນເວລາທີ່ distracted

ການປັບປຸງ on ເດືອນທັນວາ 9, 2022

ນັກວິທະຍາສາດຄອມພິວເຕີຈາກເນເທີແລນແລະສະເປນໄດ້ກໍານົດວິທີການ a ລະບົບການຮຽນຮູ້ເລິກຮຽນຮູ້ທີ່ດີກວ່າໃນເວລາທີ່ distracted. ປັນຍາປະດິດ (AI) ແມ່ນແນໃສ່ການຮັບຮູ້ຮູບພາບ ແລະສາມາດຮຽນຮູ້ທີ່ຈະຮັບຮູ້ສິ່ງອ້ອມຂ້າງຂອງມັນ. ທີມງານສາມາດເຮັດໃຫ້ຂະບວນການຮຽນຮູ້ງ່າຍດາຍຫຼັງຈາກບັງຄັບໃຫ້ລະບົບສຸມໃສ່ລັກສະນະມັດທະຍົມ.

ເຄືອຂ່າຍ Neural ການແກ້ໄຂ

ລະບົບການຮຽນຮູ້ເລິກແມ່ນອີງໃສ່ເຄືອຂ່າຍ neural convolutional (CNNs), ເຊິ່ງເປັນຮູບແບບຂອງການຮຽນຮູ້ເລິກສໍາລັບລະບົບ AI.

Estefanía Talavera Martinez ເປັນອາຈານສອນ ແລະນັກຄົ້ນຄວ້າຢູ່ Bernoulli Institute for Mathematics, Computer Science and Artificial Intelligence of the University of Groningen in the Netherlands.

Talavera Martinez ກ່າວວ່າ 'CNNs ເຫຼົ່ານີ້ປະສົບຜົນສໍາເລັດ, ແຕ່ພວກເຮົາບໍ່ເຂົ້າໃຈຢ່າງສົມບູນວ່າພວກເຂົາເຮັດວຽກແນວໃດ'.

Talavera Martinez ໄດ້ໃຊ້ CNNs ເພື່ອວິເຄາະຮູບພາບທີ່ມາຈາກກ້ອງຖ່າຍຮູບທີ່ໃສ່ໄດ້ໃນຂະນະທີ່ສຶກສາພຶດຕິກໍາຂອງມະນຸດ. ບາງສ່ວນຂອງການເຮັດວຽກຂອງນາງໄດ້ revolving ການສຶກສາປະຕິສໍາພັນຂອງມະນຸດກັບອາຫານ, ສະນັ້ນນາງໄດ້ກໍານົດອອກເພື່ອເຮັດໃຫ້ລະບົບຮັບຮູ້ການຕັ້ງຄ່າທີ່ແຕກຕ່າງກັນທີ່ປະຊາຊົນພົບອາຫານ.

ນາງກ່າວວ່າ "ຂ້ອຍສັງເກດເຫັນວ່າລະບົບສ້າງຄວາມຜິດພາດໃນການຈັດປະເພດຮູບພາບບາງຢ່າງແລະຕ້ອງການຮູ້ວ່າເປັນຫຍັງມັນຈຶ່ງເກີດຂື້ນ," ນາງເວົ້າ.

ນາງໄດ້ນໍາໃຊ້ແຜນທີ່ຄວາມຮ້ອນແລະວິເຄາະວ່າສ່ວນໃດຂອງຮູບພາບໄດ້ຖືກໃຊ້ໂດຍ CNNs ເພື່ອກໍານົດການຕັ້ງຄ່າ.

"ນີ້ເຮັດໃຫ້ສົມມຸດຕິຖານວ່າລະບົບບໍ່ໄດ້ເບິ່ງລາຍລະອຽດພຽງພໍ," ນາງເວົ້າ.

ຕົວຢ່າງຫນຶ່ງທີ່ໄດ້ຮັບແມ່ນລະບົບ AI ທີ່ສອນຕົວເອງໃຫ້ໃຊ້ຈອກເພື່ອກໍານົດເຮືອນຄົວ. ໃນຕົວຢ່າງນີ້, AI ສາມາດຈັດປະເພດພື້ນທີ່ເຊັ່ນຫ້ອງດໍາລົງຊີວິດແລະຫ້ອງການ, ເຊິ່ງມັກຈະມີຈອກ.

Talavera Martinez ແລະທີມງານຂອງນາງຫຼັງຈາກນັ້ນໄດ້ກໍານົດການພັດທະນາການແກ້ໄຂ. ເພື່ອນຮ່ວມງານຂອງນາງລວມມີ David Morales ແລະ Beatriz Remeseiro, ທັງສອງຢູ່ໃນສະເປນ. ການແກ້ໄຂທີ່ສະເຫນີແມ່ນເພື່ອລົບກວນລະບົບຈາກເປົ້າຫມາຍຕົ້ນຕໍຂອງພວກເຂົາ.

ການພັດທະນາການແກ້ໄຂ

ທີມງານໄດ້ຝຶກອົບຮົມ CNNs ດ້ວຍຊຸດຮູບພາບມາດຕະຖານຂອງຍົນຫຼືລົດ, ແລະພວກເຂົາໄດ້ກໍານົດວ່າພາກສ່ວນໃດຂອງຮູບພາບທີ່ຖືກນໍາໃຊ້ເພື່ອການຈັດປະເພດໂດຍຜ່ານແຜນທີ່ຄວາມຮ້ອນ. ພາກສ່ວນເຫຼົ່ານີ້ຂອງຮູບພາບໄດ້ຖືກເຮັດໃຫ້ມົວໃນຊຸດຮູບພາບ, ແລະຊຸດຮູບພາບໄດ້ຖືກນໍາໃຊ້ສໍາລັບຮອບທີສອງຂອງການຝຶກອົບຮົມ.

"ນີ້ບັງຄັບໃຫ້ລະບົບຊອກຫາບ່ອນອື່ນສໍາລັບຕົວລະບຸ. ແລະໂດຍການນໍາໃຊ້ຂໍ້ມູນພິເສດນີ້, ມັນຈະກາຍເປັນລະອຽດຫຼາຍໃນການຈັດປະເພດຂອງມັນ,” Talavera Martinez ເວົ້າ.

ລະບົບໃຫມ່ເຮັດວຽກໄດ້ດີໃນຊຸດຮູບພາບມາດຕະຖານແລະປະສົບຜົນສໍາເລັດໃນຮູບພາບທີ່ເກັບກໍາຈາກກ້ອງຖ່າຍຮູບ wearable.

ນາງກ່າວວ່າ "ລະບອບການຝຶກອົບຮົມຂອງພວກເຮົາໃຫ້ຜົນໄດ້ຮັບທີ່ຄ້າຍຄືກັນກັບວິທີການອື່ນໆ, ແຕ່ແມ່ນງ່າຍດາຍກວ່າແລະຕ້ອງການເວລາຄອມພິວເຕີ້ຫນ້ອຍ," ນາງເວົ້າ.

ຄວາມພະຍາຍາມທີ່ຜ່ານມາເພື່ອເພີ່ມການຈັດປະເພດອັນດີງາມໄດ້ສຸມໃສ່ການລວມກັນຂອງຊຸດ CNN ທີ່ແຕກຕ່າງກັນ, ແຕ່ວິທີການທີ່ພັດທະນາໃຫມ່ແມ່ນມີນ້ໍາຫນັກເບົາກວ່າ.

ທ່ານ Talavera Martinez ກ່າວວ່າ "ການສຶກສານີ້ເຮັດໃຫ້ພວກເຮົາມີຄວາມຄິດທີ່ດີກວ່າກ່ຽວກັບວິທີການ CNNs ເຫຼົ່ານີ້ຮຽນຮູ້, ແລະມັນໄດ້ຊ່ວຍພວກເຮົາປັບປຸງໂຄງການຝຶກອົບຮົມ," Talavera Martinez ເວົ້າ.