الوصف
تمثل شبكات الضغط والإثارة (SENet) تقدمًا كبيرًا في بنى التعلم العميق، خاصة لمهام رؤية الكمبيوتر مثل تصنيف الصور. يكمن الابتكار الأساسي لـ SENet في قدرتها على تعديل أهمية قنوات الميزات المختلفة ديناميكيًا. يتم تحقيق ذلك من خلال كتلة بناء مبتكرة تقوم بعمليتين رئيسيتين: "الضغط" (Squeeze) و"الإثارة" (Excitation).
قراءة المزيد
تقوم عملية "الضغط" بتجميع المعلومات المكانية العامة في واصف للقناة. يتم ذلك عادةً عن طريق تطبيق تجميع متوسط عام لكل خريطة ميزات، مما ينتج عنه قيمة واحدة لكل قناة. هذا يضغط المعلومات المكانية بفعالية في ملخص على مستوى القناة.
ثم تستخدم عملية "الإثارة" واصف القناة هذا لتعلم علاقة صريحة وغير خطية تعتمد على السياق عبر القنوات. تقوم بإنشاء أوزان على مستوى القناة تُستخدم لإعادة قياس خرائط الميزات الأصلية. هذا يسمح للشبكة بتعزيز القنوات المفيدة وقمع القنوات الأقل فائدة، وبالتالي تحسين قوتها التمثيلية.
يوفر هذا المستودع تنفيذًا لشبكات الضغط والإثارة باستخدام إطار عمل التعلم العميق Caffe. يتضمن تكوينات مختلفة مثل SE-BN-Inception، وSE-ResNet (50، 101، 152)، وSE-ResNeXt (50، 101)، ونموذج SENet-154 المتفوق، الذي حقق المركز الأول في تحدي ILSVRC 2017 لتصنيف الصور. يتم أيضًا توثيق تفاصيل التنفيذ، بما في ذلك طرق التعزيز وتقنيات التحسين مثل طبقة "Axpy" للكفاءة. يشير المستودع أيضًا إلى عمليات إعادة التنفيذ من طرف ثالث في TensorFlow وMatConvNet وMXNet وPyTorch، مما يعزز التبني والبحث على نطاق أوسع.
تكمن القيمة المقترحة لـ SENet في قدرتها على تعزيز أداء شبكات التعلم العميق الحالية المتطورة بأقل عبء حسابي. من خلال إعادة معايرة استجابات الميزات بشكل تكيفي، تحقق النماذج المستندة إلى SENet دقة أعلى على مجموعات البيانات الصعبة مثل ImageNet، مما يجعلها أداة قيمة للباحثين والممارسين في مجال رؤية الكمبيوتر.
- الفئةأدوات الرؤية الحاسوبية
- نموذج التسعيرمفتوح المصدر
- النشرسحابي, استضافة ذاتية
- المنصاتالويب
الميزات الأساسية لـ شبكات الضغط والإثارة (Squeeze-and-Excitation Networks)
عملية الضغط لتجميع المعلومات المكانية العامة
عملية الإثارة لإعادة المعايرة التكيفية على مستوى القناة
التنفيذ في إطار عمل التعلم العميق Caffe
يشمل نماذج SE-BN-Inception، وSE-ResNet، وSE-ResNeXt، وSENet-154
حقق المركز الأول في تحدي ILSVRC 2017 لتصنيف الصور
توثيق طرق التعزيز وتقنيات التحسين
عمليات إعادة التنفيذ من طرف ثالث متاحة في TensorFlow وMatConvNet وMXNet وPyTorch
يعزز أداء شبكات التعلم العميق الحالية
عبء حسابي ضئيل
تحسين الدقة على مجموعة بيانات ImageNet
البدء مع شبكات الضغط والإثارة (Squeeze-and-Excitation Networks)
الوصول إلى النموذج: استنسخ مستودع GitHub إلى جهازك المحلي.
إعداد البيئة: قم بتثبيت Caffe والتبعيات الخاصة به.
التكامل عبر Caffe: قم بتحميل ملفات prototxt النموذج والأوزان المقدمة.
التدريب/الضبط الدقيق: قم بتكوين معلمات التدريب وتشغيل التدريب على مجموعة البيانات الخاصة بك.
الاستدلال: استخدم النموذج المدرب لمهام تصنيف الصور.
حالات استخدام شبكات الضغط والإثارة (Squeeze-and-Excitation Networks)
- تصنيف الصور
- تعلم الميزات
- تعزيز أداء النموذج
- أبحاث رؤية الكمبيوتر
- التعرف على الكائنات
