PFEBOUIDI

BOUIDI Abderrahmane

ກ່ຽວກັບແອັບນີ້

ການຮັບຮູ້ຮູບພາບ, ໃນສະພາບການຂອງ Computer Vision, ແມ່ນຄວາມສາມາດຂອງຊອບແວເພື່ອກໍານົດວັດຖຸ, ສະຖານທີ່, ຄົນ, ການຂຽນແລະການປະຕິບັດໃນຮູບພາບ. ຄອມພິວເຕີສາມາດນໍາໃຊ້ເຕັກໂນໂລຊີວິໄສທັດຂອງເຄື່ອງຈັກໃນການສົມທົບກັບກ້ອງຖ່າຍຮູບແລະຊອບແວປັນຍາປະດິດເພື່ອບັນລຸການຮັບຮູ້ຮູບພາບ.
ການຈັດປະເພດຮູບພາບຫມາຍເຖິງຂະບວນການໃນວິໄສທັດຄອມພິວເຕີທີ່ສາມາດຈັດປະເພດຮູບພາບໂດຍອີງໃສ່ເນື້ອໃນສາຍຕາຂອງມັນ. ຕົວຢ່າງ, ຂັ້ນຕອນການຈັດປະເພດຮູບພາບສາມາດຖືກອອກແບບເພື່ອລະບຸວ່າຮູບພາບໃດໜຶ່ງມີຕົວເລກຂອງມະນຸດຫຼືບໍ່. ເຖິງແມ່ນວ່າການກວດຫາວັດຖຸແມ່ນເປັນເລື່ອງເລັກໆນ້ອຍໆສໍາລັບມະນຸດ, ແຕ່ການຈັດປະເພດຮູບພາບທີ່ເຂັ້ມແຂງຍັງຄົງເປັນສິ່ງທ້າທາຍສໍາລັບຄໍາຮ້ອງສະຫມັກການເບິ່ງເຫັນຄອມພິວເຕີ.
ຈຸດປະສົງຂອງການສຶກສານີ້ແມ່ນເພື່ອກໍານົດສິ່ງທີ່ເຮັດໃຫ້ເຄືອຂ່າຍ neural ເລິກປະມວນຜົນຂໍ້ມູນສະລັບສັບຊ້ອນ, ເຊັ່ນ: ຂໍ້ມູນຮູບພາບ / ວິດີໂອ, ໄວແລະຖືກຕ້ອງຫຼາຍ, ພວກເຮົາຈະກວດສອບສະຖາປັດຕະເຄືອຂ່າຍ neural ສົບຜົນສໍາເລັດຫລ້າສຸດເພື່ອກໍານົດສິ່ງທີ່ເປັນປະສິດທິພາບທີ່ສຸດ (ແລະໄວທີ່ສຸດ) ສະຖາປັດຕະຍະກໍາໃນການຈັດປະເພດຮູບພາບ, ແລະພວກເຮົາຍັງຈະຄົ້ນຄວ້າວ່າເຕັກນິກການເພີ່ມປະສິດທິພາບໃດເຮັດວຽກທີ່ດີທີ່ສຸດໃນຂໍ້ມູນປະເພດນີ້.
ພວກເຮົາພະຍາຍາມເຂົ້າໃຈວິທີທີ່ນັກຄົ້ນຄວ້າໄດ້ກ້າວໄປສູ່ບາດກ້າວອັນໃຫຍ່ຫຼວງໃນການຮັບຮູ້ສາຍຕາໂດຍການຈັດປະເພດຮູບພາບ, ແລະເບິ່ງວ່າພວກເຂົາໄດ້ຄະແນນຄວາມຖືກຕ້ອງທີ່ບໍ່ຫນ້າເຊື່ອໃນສິ່ງທ້າທາຍຂອງ ImageNet. ໂດຍຄໍານຶງເຖິງວິທີທີ່ພວກເຮົາສາມາດປະມວນຜົນຂໍ້ມູນສະລັບສັບຊ້ອນເຊັ່ນ: ຂໍ້ມູນຮູບພາບໄດ້ໄວຂຶ້ນ, ເຮັດແນວໃດພວກເຮົາສາມາດແກ້ໄຂບັນຫາຂອງ overfitting ຂໍ້ມູນນີ້, ແລະເຮັດແນວໃດພວກເຮົາສາມາດຫຼຸດຜ່ອນເວລາການຝຶກອົບຮົມຂອງສະຖາປັດຕະຂອງພວກເຮົາ.