Please enable JavaScript.
Coggle requires JavaScript to display documents.
REDES NEURAIS Convolucionais - Coggle Diagram
REDES NEURAIS
Convolucionais
Filtragem de imagens
utilizadas para extração de informação de interesse em uma determinada imagem
feita no domínio
do espaço
da fequência
Preenchimento
Padding
O tamanho do passo (“stride”) e o uso de preenchimento (“padding”) afetam os resultados de uma camada convolucional.
Uma camada convolucional com 6 filtros de tamanho 1×1 aprende como realizar uma combinação dos mapas de ativação (ou características) da entrada para produzir 6 novos mapas (ou características) na saída
Para uma entrada de tamanho N x N e um filtro de tamanho F x F, a dimensão da saída será (N – F) / S + 1, em que S representa o tamanho do passo (“stride”)
Nas camadas convolucionais com passo unitário e filtros de tamanho F x F, é comum se utilizar de preenchimento por meio de uma borda de zeros com tamanho (F – 1) / 2
Para um filtro de tamanho F, o preenchimento realizado de forma a acrescentar uma borda de zeros com tamanho (F – 1) / 2 é capaz de eliminar o efeito de redução da dimensão espacial quando o passo for 1
Camadas de Agrupamento
Pooling
Conv Nets - LeNet
Filtros 5x5 com passo 1
Camadas de agrupamento com filtros 2x2 e passo 2
Arquitetura [CONV-POOL-CONV-POOL-FC-FC]
AlexNet
As redes AlexNet e VGG representam dois importantes marcos na evolução das redes neurais profundas aplicadas à tarefa de classificação de imagens.
a rede AlexNet foi a primeira a utilizar a função de ativação ReLU
VGG
Conv 3x3 passo 1
Mesma cobertura
maior profundiade
menor n.º de parâmetros
MAX POOL 2x2x passo 2
uso de filtros menores em redes mais profundas
GoogLeNet
redução do custo computacional
De forma a minimizar seu alto custo computacional, o módulo “Inception” faz uso de convoluções 1 x 1 para redução da dimensionalidade, apesar do aumento do número de parâmetros
aumento do numero de parâmetros
agrupamento pela média
A rede GoogLeNet se utiliza de agrupamento pela média (“average pooling”) no final da rede ao invés de camadas completamente conectadas para se reduzir o número de parâmetros
classificadores auxiliares
Facilita o treinamento
Vencedora do desafio ILSVRC
o módulo “Inception” realiza vários filtros diferentes em paralelo conseguindo assim extrair diferentes características a partir da mesma entrada
ResNet
Rede de Resíduos
Ligação direta entre entrada e saída
A rede ResNet utiliza conexões “laterais” (desvios) nos blocos básicos de resíduos para garantir um bom fluxo de gradientes e, consequentemente, viabilizar o treinamento de redes com centenas de camadas
Normalização em lote após cada CONV
tem menor taxa de erro
Mais recentemente, as redes GoogLeNet e ResNet introduziram importantes concepções no projeto e implementação de redes neurais profundas.
Uma rede neural convolucional geralmente apresenta uma sequência de camadas convolucionais e de agrupamento intercaladas com funções de ativação.
Uma camada convolucional pode aprender múltiplos filtros com um número reduzido de parâmetros devido a suposição de estacionariedade da entrada
A camada de convolução “desliza” um filtro sobre todas as localizações espaciais da entrada de forma a produzir um mapa de ativação
O filtro de uma camada convolucional não precisa se estender por toda a profundidade do volume de entrada
é obrigatório que o filtro se estenda por toda a profundidade do volume de entrada