Останні досягнення в розпізнаванні образів вражають. Досить пригадати результати змагань на базі ImageNet. Відразу ж виникає питання, що далі? Як ми можемо використовувати отримані здобутки?

Щось важливе почалося, коли Fei-Fei стартувала ImageNet проект. Схоже на революцію.

Читати далі →

Створюємо нейронну мережу InceptionV3 для розпізнавання зображень



Привіт, Хабр! Під катом піде мова про реалізацію сверточной нейронної мережі архітектури InceptionV3 з використанням фреймворку Keras. Статтю я вирішив написати після ознайомлення з туториалом "Побудова потужних моделей класифікації з використанням невеликої кількості даних". З схвалення автора туториала я трохи змінив зміст своєї статті. На відміну від запропонованої автором нейронної мережі VGG16, ми будемо навчати гугловскую глибоку нейронну мережу Inception V3, яка вже встановлена в Keras.

Ви навчитеся:

  1. Імпортувати нейронну мережу Inception V3 з бібліотеки Keras;
  2. Налаштовувати мережу: завантажувати ваги, змінювати верхню частину моделі (fc-layers), таким чином, пристосовуючи модель під бінарну класифікацію;
  3. Проводити тонке налаштування нижнього згорткового шару нейронної мережі;
  4. Застосовувати аугментацію даних за допомогою ImageDataGenerator;
  5. Навчати мережу по частинах для економії ресурсів і часу;
  6. Оцінювати роботу моделі.
При написанні статті я ставив перед собою завдання представити максимально практичний матеріал, який розкриє деякі цікаві можливості фреймворка Keras.

Читати далі →

Deep Learning: Поєднання глибокої сверточной нейронної мережі з рекурентної нейронної мережею

Представляємо вам завершальну статтю з циклу по Deep Learning, в якій відображені підсумки роботи по навчанню ДБНС для зображень з певних областей на прикладі розпізнавання і тегів елементів одягу. Попередні частині ви знайдете під катом.



Читати далі →

Deep Learning: Transfer learning і тонка настройка глибоких згорткових нейронних мереж

У попередньої статті з циклу «Deep Learning» ви дізналися про порівняння фреймворків для символьного глибокого навчання. У цьому матеріалі мова піде про глибоку налаштування згорткових нейронних мереж для підвищення середньої точності та ефективності класифікації медичних зображень.



Читати далі →

Еволюція нейромереж для розпізнавання зображень в Google: Inception-v3

Продовжую розповідати про життя Inception architecture — архитеткуры Гугла для convnets.
(перша частина — ось тут
Отже, минає рік, мужики публікують успіхи розвитку з часу GoogLeNet.
Ось страшна картинка як виглядає фінальна мережа:
image
Що за жах там відбувається?
Читати далі →

Еволюція нейромереж для розпізнавання зображень в Google: GoogLeNet

У мене тут синхронізується VM надовго, тому є час розповісти про те, що я недавно читав.
Наприклад, про GoogLeNet.
GoogLeNet — це перша інкарнація так званої Inception architecture, яка референс всім зрозуміло на що:
image
(до речі, посилання на нього йде першою в списку референсов статті, чуваки джгут)
Вона виграла ImageNet recognition challenge в 2014-му році з результатом 6.67% top 5 error. Нагадаю, top 5 error — метрика, в якій алгоритм може видати 5 варіантів класу картинки і помилка зараховується, якщо серед всіх цих варіантів немає правильної. Всього в тестовому датасете 150K картинок і 1000 категорій, тобто завдання вкрай нетривіальна.
Щоб зрозуміти навіщо, як і чому влаштований GoogLeNet, як зазвичай, трохи контексту.
Читати далі →