CNN은다음세가지중요한요인으로인해딥러닝에서널리사용됩니다。
CNN은영상및시계열시계열이터에서에서주요특징을찾아학습하기위한최적의아키텍처제공제공CNN은다음과같은응용분야에서핵심사용됩니다。
卷积神经网络은수십또는수백개의을가질수수,각계층은영상의서로다른검출합니다。각훈련영상에서로다른의필터필터가적용되고,컨벌루션된각영상은다음의입력사용됩니다。필터는밝기,경계와같이매우간단한특징으로시작하여객체를고유하게정의하는특징으로복잡도를늘려갈수있습니다。
CNN은다른신경망과신경망과가지로계층,출력계층,그리고그사이의여러은닉계층구성됩니다。
이러한계층은해당데이터의고유고유한특징을학습의도로로데터터변경시키는연산을을수행가장일반적적3가지계층계층으로컨벌루션,활성활성또는relu계층,풀링계층을들수。
이러한연산이수십또는수백개의계층에대해반복되며,각계층은서로다른특징을식별하도록학습합니다。
CNN은전통적인신경망과마찬가지로가중치와편향이있는뉴런을갖습니다。모델은훈련과정에서이러한값을학습하고,새로운훈련표본이입력될때마다매번이러한값을지속적으로업데이트합니다。그러나의CNN경우에는주어진계층의모든은닉뉴런에대해가중치및편향값이모두같습니다。
이는모든은닉뉴런이영상의서로다른영역에있는동일한특징(경계나블롭등)을검출함을의미합니다。따라서신경망은영상에있는객체의평행이동을허용합니다。예를들어,자동차를인식하도록훈련된신경망은자동차가영상의어느곳에있어도인식할수있습니다。
CNN아키텍처아키텍처는여러계층에있는특징을학습한후계층으로
마지막에서두번째계층은K차원의벡터를출력하는완전연결계층입니다。K는여기서신경망이예측할수있는클래스의개수입니다。이벡터는분류대상영상의각클래스에대한확률을포함합니다。
CNN아키텍처아키텍처의마지막마지막은소프트맥스와같은분류계층을을하여하여분류출력제공제공
앱앱에서직접신경망을훈련시키고,손실,검증메트릭플롯을사용훈련훈련을모니터링모니터링할수도수도
전이학습을통해사전훈련된신경망신경망을을것이처음부터훈련시키는것보다는적으로훨씬더빠르고빠르고는일반전이학습에는최소한의데이터와와연산가사용용전이학습은한가지유형의문제로부터된지식사용하여하여비슷한문제를해결해결사용자는사전훈련된신경망에서시작이를를작업을학습하는사용할수있습니다。전이학습의이점사전에에이수많은특징을이미학습했다는데있습니다。이러한특징은다양한기타사한작업작업에할수있습니다。예를들어,수백만개의영상에서훈련신경망가져와서수백의영상만사용하여새로운객체검출을위해다시시킬수
卷积神经网络은수백수,천,나아가수백만개의영상에대해훈련됩니다。다량의데이터와복잡한신경망아키텍처로작업할때GPU를사용하면모델을훈련시키는데소요되는처리시간을크게줄일수있습니다。
객체검출은영상과비디오에서객체를찾고분류하는과정입니다。计算机Vision Toolbox™는yolo및更快的r-cnn을사용하여딥러닝딥러닝객체객체검출기를생성훈련프레임워크를제공
음성 - 텍스트변환의한가지응용분야로키워드검출들수있습니다。키워드검출은특정키워드또는를인식에이를지시어로사용할할수。널리사용되는되는예로기기기기와조명켜기를를수수수
CNN은의미론적분할에서사용되어영상의각픽셀을식별하고이에대응하는클래스레이블을부여합니다。의미론적분할은자율주행,산업검사,지형분류,의료영상과같은응용분야에서사용될수있습니다。卷积神经网络은의미론적분할신경망을구축하기위한기반이됩니다。
MATLAB은은딥러닝과관련된모든작업을수행하기위한기능을제공제공제공기능을제공제공CNN을사용하여신호,컴퓨터컴퓨터,통신및레이더의분야의워크플로를개선수수수수수
영상분석에cnn을사용할할수있도록있도록하는제품马铃薯那计算机Vision Toolbox™那统计和机器学习工具箱™와深度学习工具箱가있습니다。
卷积神经网络을사용하려면深度学习工具箱가필요필요。훈련및예측은은®지원GPU(Compute Capability 3.0이상)에서에서지원。GPU를사용하는것이적극권장되며,이를위해서는并行计算工具箱™가필요필요。