350 руб
Журнал «Нейрокомпьютеры: разработка, применение» №3 за 2017 г.
Статья в номере:
Способ выделения эмпирического рецептивного поля сверточной нейронной сети
Ключевые слова: эмпирическое рецептивное поле сверточная нейронная сеть теоретическое рецептивное поле карта несоответствий
Авторы:
О.И. Гаранин - аспирант, Национальный исследовательский университет «МЭИ» (Москва) E-mail: hedgehog91@mail.ru
Аннотация:
Проведен анализ существующих способов выделения рецептивного поля сверточной нейронной сети в задачах, в которых важен локальный контекст: сегментирование и детектирование объектов. Предложен способ выделения эмпирического рецептивного поля сверточной нейронной сети, отличающийся от существующего адаптивным выбором порога включения пикселей исходного изображения в рецептивное поле, а также сокращением требуемого числа зашумленных изображений при обучении сверточной нейронной сети. Экспериментально доказано, что предложенный способ позволяет уменьшить требуемое число зашумленных изображений в среднем в 10 раз.
Страницы: 63-69
Список источников

 

  1. Long J., Shelhamer E., Darrell T. Fully convolutional networks for semantic segmentation // CVPR. 2015. P. 3431-3440.
  2. Krizhevsky A., Sutskever I., Hinton G. Imagenet classification with deep convolutional neural networks // Proceedings of the Neural Information Processing Systems conference, NIPS. 2012. P. 1-9.
  3. Liu W., Anguelov D., Erhan D., Szegedy C., Reed S. E. SSD: single shot multibox detector // CoRR. 2015.
  4. Jia Y., Shelhamer E., Donahue,J., Karayev S., Long J., Girshick R., Guadarrama S., Darrell T. Caffe: Convolutional architecture for fast feature embedding // MM. 2014.
  5. Аведьян Э.Д., Галушкин А.И., Селиванов С.А. Сравнительный анализ структур полносвязных и сверточных нейронных сетей и их алгоритмов обучения // Информатизация и связь. 2017. № 1.
  6. Long J., Zhang N., Darrell T. Do Convnets Learn Correspondence // NIPS. 2014.
  7. Wenjie L.,Yujia L.,Urtasun R., Zemel R. Understanding the effective receptive field in deep convolutional neural networks // Proceedings of the neural information processing systems conference, NIPS. 2016.
  8. Zhou B., Khosla A., Lapedriza A., Oliva A., Torralba A. Object detectors emerge in deep scene cnns // ICLR. 2015.
  9. Everingham M., Van Gool L., Williams C. K., Winn J., Zisserman A. The pascal visual object classes (voc) challenge // International journal of computer vision. 2010. № 88(2). P. 303-338.