ปักกิ่ง17 มีนาคม 2566 /พีอาร์นิวส์ไวร์/ — WiMi Hologram Cloud Inc. (NASDAQ: WIMI ) ( “WiMi” หรือ “บริษัท”) ผู้ให้บริการเทคโนโลยี Hologram Augmented Reality (“AR”) ชั้นนำระดับโลก ได้ประกาศเปิดตัวแอปพลิเคชัน ของ CNNs (เครือข่ายประสาทเทียม) ไปจนถึงการแยกคุณลักษณะของภาพและการพัฒนาอัลกอริธึมการแยกคุณลักษณะของรูปภาพตาม CNNCNN เป็นวิธีการเรียนรู้เชิงลึกที่สำคัญซึ่งช่วยแก้ปัญหาการจดจำรูปแบบที่ซับซ้อนจำนวนมาก
และใช้กันอย่างแพร่หลายในการจดจำภาพ การรู้จำคำพูด และการประมวลผลภาษาธรรมชาติ
อัลกอริทึมของ WiMi ใช้ประโยชน์จากการเชื่อมต่อภายในเครื่องและคุณสมบัติการแบ่งปันน้ำหนักของเครือข่ายประสาทเทียมเพื่อดึงคุณสมบัติภาพที่แตกต่างกันของภาพเดียวกันโดยอัตโนมัติโดยการฝึกด้วย
พารามิเตอร์เคอร์เนลแบบวนรอบอื่น ๆ อีกมากมายในระหว่างการประมวลผลภาพ การดำเนินการรวมกลุ่มสามารถลดจำนวนพารามิเตอร์การฝึกอบรมได้อย่างมาก ช่วยอำนวยความสะดวกในขนาดแผนผังคุณลักษณะ ลดความซับซ้อนของรูปแบบเครือข่าย และปรับปรุงประสิทธิภาพการฝึกอบรมโครงข่ายประสาทเทียมประกอบด้วยสองชั้นสลับกันและซ้อนกัน เลเยอร์ Convolutional มีหน้าที่แยกคุณสมบัติออกจากอินพุต ในขณะที่เลเยอร์การรวมเข้าด้วยกันมีหน้าที่รับผิดชอบในการรวมคุณสมบัติ เลเยอร์ convolutional ได้รับข้อมูลท้องถิ่นจากรูปภาพ
เลเยอร์การรวมจะลดขนาดพารามิเตอร์ลงอย่างมาก และเลเยอร์ที่เชื่อมต่ออย่างสมบูรณ์จะแสดงผลตามที่ต้องการ
ประการแรก คุณลักษณะเริ่มต้นจะถูกดึงออกมาโดยเลเยอร์การบิดเบี้ยว Convolution Layer คล้ายกับตัวกรอง ใช้เพื่อดึงคุณลักษณะเริ่มต้นเฉพาะออกจากรูปภาพ หลังจากการฝึกฝนอย่างเข้มข้น เครื่องจะปรับค่าของเคอร์เนลแบบหมุนโดยอัตโนมัติ จากนั้นจึงหมุนค่าเหล่านั้นด้วยเมทริกซ์ภาพเพื่อแยกคุณลักษณะเฉพาะออกจากภาพ จำนวนของเคอร์เนลที่ม้วนงอมีผลกระทบอย่างมากต่อการสกัดคุณลักษณะเริ่มต้น แต่เวลาที่ใช้เพิ่มขึ้นตามนั้น จากนั้นเลเยอร์การรวมจะแยกส่วนประกอบหลัก
ผลกระทบหลักของการรวมเลเยอร์คือการลดจำนวนของพารามิเตอร์การฝึกอบรม ลดมิติของเอาต์พุตเวกเตอร์คุณลักษณะจากเลเยอร์การบิดเบี้ยว และลดการโอเวอร์ฟิต รักษาเฉพาะข้อมูลภาพที่เป็นประโยชน์มากที่สุด และลดการแพร่กระจายของสัญญาณรบกวน ในปัญหาการประมวลผลภาพ
เลเยอร์ Convolution และ Pooling ทำงานร่วมกันเพื่อแยกคุณลักษณะของรูปภาพ และลดพารามิเตอร์ที่แนะนำโดยรูปภาพต้นฉบับลงอย่างมาก สุดท้าย ระบบใช้เลเยอร์ที่เชื่อมต่ออย่างสมบูรณ์เพื่อสร้างตัวแยกประเภทเท่ากับจำนวนคลาสที่ต้องการ เมทริกซ์น้ำหนักจะถูกคูณ เพิ่มค่าออฟเซ็ต และพารามิเตอร์ได้รับการปรับให้เหมาะสมโดยใช้ฟังก์ชันการเปิดใช้งานและวิธีการไล่ระดับสี ชั้นที่เชื่อมต่ออย่างสมบูรณ์ใช้สำหรับการจำแนกเชิงเส้น กล่าวอีกนัยหนึ่ง มันเป็นการรวมกันเชิงเส้นของเวกเตอร์คุณลักษณะระดับสูงที่ดึงมาก่อนที่จะใช้เพื่อสร้างการทำนายขั้นสุดท้าย
credit: เว็บสล็อตแท้
