| http://dbpedia.org/ontology/abstract
|
Nell'apprendimento automatico, una rete ne … Nell'apprendimento automatico, una rete neurale convoluzionale (CNN o ConvNet dall'inglese convolutional neural network) è un tipo di rete neurale artificiale feed-forward in cui il pattern di connettività tra i neuroni è ispirato dall'organizzazione della corteccia visiva animale, i cui neuroni individuali sono disposti in maniera tale da rispondere alle regioni di sovrapposizione che tassellano il campo visivo.Le reti convoluzionali sono ispirate da processi biologici e sono variazioni di percettroni multistrato progettate per usare al minimo la pre-elaborazione.Hanno diverse applicazioni nel riconoscimento di immagini e video, nei sistemi di raccomandazione, nell'elaborazione del linguaggio naturale e, recentemente, in bioinformatica.turale e, recentemente, in bioinformatica.
, Ein Convolutional Neural Network (CNN oder … Ein Convolutional Neural Network (CNN oder ConvNet), zu Deutsch etwa „faltendes neuronales Netzwerk“, ist ein künstliches neuronales Netz. Es handelt sich um ein von biologischen Prozessen inspiriertes Konzept im Bereich des maschinellen Lernens. Convolutional Neural Networks finden Anwendung in zahlreichen Technologien der künstlichen Intelligenz, vornehmlich bei der maschinellen Verarbeitung von Bild- oder Audiodaten. Die CNN-Architektur wurde von Kunihiko Fukushima unter dem Namen Neocognitron eingeführt. Alex Waibels CNN namens TDNN (1987) wurde durch Backpropagation trainiert und erzielte Bewegungsinvarianz. Auch Yann LeCun publizierte wichtige Beiträge zu CNNs.Cun publizierte wichtige Beiträge zu CNNs.
, Una xarxa neuronal convolucional (l'acròni … Una xarxa neuronal convolucional (l'acrònim anglès és CNN), en aprenentatge automàtic, és un tipus de xarxa neuronal artificial que disposa de connectivitat entre neurones inspirada pel còrtex visual dels animals. La resposta d'aquestes neurones corticals pot ser aproximada matemàticament per una funció de convolució. Les aplicacions de les CNN són el reconeixement d'imatges, sistemes de recomanació i processament del llenguatge.recomanació i processament del llenguatge.
, Una red neuronal convolucional es un tipo … Una red neuronal convolucional es un tipo de red neuronal artificial donde las neuronas artificiales, corresponden a campos receptivos de una manera muy similar a las neuronas en la corteza visual primaria (V1) de un cerebro biológico[cita requerida]. Este tipo de red es una variación de un perceptron multicapa, sin embargo, debido a que su aplicación es realizada en matrices bidimensionales, son muy efectivas para tareas de visión artificial, como en la clasificación y segmentación de imágenes, entre otras aplicaciones.ón de imágenes, entre otras aplicaciones.
, En apprentissage automatique, un réseau de … En apprentissage automatique, un réseau de neurones convolutifs ou réseau de neurones à convolution (en anglais CNN ou ConvNet pour convolutional neural networks) est un type de réseau de neurones artificiels acycliques (feed-forward), dans lequel le motif de connexion entre les neurones est inspiré par le cortex visuel des animaux. Les neurones de cette région du cerveau sont arrangés de sorte qu'ils correspondent à des régions qui se chevauchent lors du pavage du champ visuel. Leur fonctionnement est inspiré par les processus biologiques, ils consistent en un empilage multicouche de perceptrons, dont le but est de prétraiter de petites quantités d'informations. Les réseaux neuronaux convolutifs ont de larges applications dans la reconnaissance d'image et vidéo, les systèmes de recommandation et le traitement du langage naturel.ation et le traitement du langage naturel.
, 卷积神经网络（Convolutional Neural Network, CNN）是 … 卷积神经网络（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。 卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（pooling layer）。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网络在图像和语音识别方面能够给出更好的结果。这一模型也可以使用反向传播算法进行训练。相比较其他深度、前馈神经网络，卷积神经网络需要考量的参数更少，使之成为一种颇具吸引力的深度学习结构。前馈神经网络，卷积神经网络需要考量的参数更少，使之成为一种颇具吸引力的深度学习结构。
, Зго́рткові нейро́нні мере́жі (ЗНМ, англ. c … Зго́рткові нейро́нні мере́жі (ЗНМ, англ. convolutional neural network, CNN, ConvNet) в машинному навчанні — це клас глибинних штучних нейронних мереж прямого поширення, який успішно застосовувався до аналізу візуальних зображень. ЗНМ використовують різновид багатошарових перцептронів, розроблений так, щоби вимагати використання мінімального обсягу попередньої обробки. Вони відомі також як інваріа́нтні відно́сно зсу́ву (англ. shift invariant) або просторо́во інваріа́нтні шту́чні нейро́нні мере́жі (англ. space invariant artificial neural networks, SIANN), виходячи з їхньої архітектури спільних ваг та характеристик інваріантності відносно паралельного перенесення. Згорткові мережі взяли за основу біологічний процес, а саме схему з'єднання нейронів зорової кори тварин. Окремі нейрони кори реагують на лише в обмеженій області зорового поля, відомій як рецептивне поле. Рецептивні поля різних нейронів частково перекриваються таким чином, що вони покривають усе зорове поле. ЗНМ використовують порівняно мало попередньої обробки, в порівнянні з іншими алгоритмами класифікування зображень. Це означає, що мережа навчається , що в традиційних алгоритмах конструювали вручну. Ця незалежність у конструюванні ознак від апріорних знань та людських зусиль є великою перевагою. Вони мають застосування в розпізнаванні зображень та відео, рекомендаційних системах та обробці природної мови.ційних системах та обробці природної мови.
, Свёрточная нейронная сеть (англ. convoluti … Свёрточная нейронная сеть (англ. convolutional neural network, CNN) — специальная архитектура искусственных нейронных сетей, предложенная Яном Лекуном в 1988 году и нацеленная на эффективное распознавание образов, входит в состав технологий глубокого обучения (англ. deep learning). Использует некоторые особенности зрительной коры, в которой были открыты так называемые простые клетки, реагирующие на прямые линии под разными углами, и сложные клетки, реакция которых связана с активацией определённого набора простых клеток. Таким образом, идея свёрточных нейронных сетей заключается в чередовании свёрточных слоёв (англ. convolution layers) и субдискретизирующих слоёв (англ. subsampling layers или англ. pooling layers, слоёв подвыборки). Структура сети — однонаправленная (без обратных связей), принципиально многослойная. Для обучения используются стандартные методы, чаще всего метод обратного распространения ошибки. Функция активации нейронов (передаточная функция) — любая, по выбору исследователя. Название архитектура сети получила из-за наличия операции свёртки, суть которой в том, что каждый фрагмент изображения умножается на матрицу (ядро) свёртки поэлементно, а результат суммируется и записывается в аналогичную позицию выходного изображения.аналогичную позицию выходного изображения.
, In deep learning, a convolutional neural n … In deep learning, a convolutional neural network (CNN, or ConvNet) is a class of artificial neural network (ANN), most commonly applied to analyze visual imagery. CNNs are also known as Shift Invariant or Space Invariant Artificial Neural Networks (SIANN), based on the shared-weight architecture of the convolution kernels or filters that slide along input features and provide translation-equivariant responses known as feature maps. Counter-intuitively, most convolutional neural networks are not invariant to translation, due to the downsampling operation they apply to the input. They have applications in image and video recognition, recommender systems, image classification, image segmentation, medical image analysis, natural language processing, brain–computer interfaces, and financial time series. CNNs are regularized versions of multilayer perceptrons. Multilayer perceptrons usually mean fully connected networks, that is, each neuron in one layer is connected to all neurons in the next layer. The "full connectivity" of these networks make them prone to overfitting data. Typical ways of regularization, or preventing overfitting, include: penalizing parameters during training (such as weight decay) or trimming connectivity (skipped connections, dropout, etc.) CNNs take a different approach towards regularization: they take advantage of the hierarchical pattern in data and assemble patterns of increasing complexity using smaller and simpler patterns embossed in their filters. Therefore, on a scale of connectivity and complexity, CNNs are on the lower extreme. Convolutional networks were inspired by biological processes in that the connectivity pattern between neurons resembles the organization of the animal visual cortex. Individual cortical neurons respond to stimuli only in a restricted region of the visual field known as the receptive field. The receptive fields of different neurons partially overlap such that they cover the entire visual field. CNNs use relatively little pre-processing compared to other image classification algorithms. This means that the network learns to optimize the filters (or kernels) through automated learning, whereas in traditional algorithms these filters are hand-engineered. This independence from prior knowledge and human intervention in feature extraction is a major advantage.n feature extraction is a major advantage.
, 합성곱 신경망(콘볼루션 신경망, Convolutional neural net … 합성곱 신경망(콘볼루션 신경망, Convolutional neural network, CNN)은 시각적 영상을 분석하는 데 사용되는 다층의 피드-포워드적인 인공신경망의 한 종류이다. 필터링 기법을 인공신경망에 적용하여 이미지를 효과적으로 처리할 수 있는 심층 신경망 기법으로 행렬로 표현된 필터의 각 요소가 데이터 처리에 적합하도록 자동으로 학습되는 과정을 통해 이미지를 분류하는 기법이다. 합성곱 신경망은 정규화 된 버전의 다층 퍼셉트론이다. 다층 퍼셉트론은 일반적으로 완전히 연결된 네트워크, 즉 한 계층의 각 뉴런이 다음 계층의 모든 뉴런에 연결되는 신경망 구조이다. 이와 같이 네트워크가 완전 연결된 경우 주어진 데이터에 과적합 되는 경향이 있다. 일반적인 정규화를 위해 최적화 함수에 특정 척도를 추가하는 방법이 흔히 쓰이지만, CNN은 정규화를 위한 다른 접근 방식을 취한다. 데이터에서 계층적 패턴을 활용하고 더 작고 간단한 패턴을 사용하여 더 복잡한 패턴을 표현함으로써 정규화와 같은 효과를 내는 것이다. 따라서 합성곱 신경망의 연결 구조의 복잡성은 유사한 기능의 다층 퍼셉트론에 비해 극단적으로 낮다. 연결 구조의 복잡성은 유사한 기능의 다층 퍼셉트론에 비해 극단적으로 낮다.
, No contexto de inteligência artificial e a … No contexto de inteligência artificial e aprendizagem de máquina, uma rede neural convolucional (CNN do inglês Convolutional Neural network ou ConvNet) é uma classe de rede neural artificial do tipo feed-forward, que vem sendo aplicada com sucesso no processamento e análise de imagens digitais. Uma CNN usa uma variação de perceptrons multicamada desenvolvidos de modo a demandar o mínimo pré-processamento possível. Essas redes também são conhecidas como redes neurais artificiais invariantes a deslocamento (shift invariant) ou invariantes a espaço (space invariant), em ambos os casos representadas pela sigla em inglês SIANN. As redes convolucionais são inspiradas nos processos biológicos. Nelas o padrão de conectividade entre os neurônios é inspirado na organização do córtex visual dos animais. Neurônios corticais individuais respondem a estímulos apenas em regiões restritas do campo de visão conhecidas como campos receptivos. Os campos receptivos de diferentes neurônios se sobrepõem parcialmente de forma a cobrir todo o campo de visão. Uma CNN tende a demandar um nivel minimo de pre-processamento quando comparada a outros algoritmos de classificação de imagens. Isso significa que a rede "aprende" os filtros que em um algoritmo tradicional precisariam ser implementados manualmente. Essa independencia de um conhecimento a priori e do esforço humano no desenvolvimento de suas funcionalidades basicas pode ser considerada a maior vantagem de sua aplicação. Esse tipo de rede é usada principalmente em reconhecimento de imagens e processamento de vídeo, embora já tenha sido aplicada com sucesso em experimentos envolvendo processamento de voz e linguagem natural. Na saúde usa-se esta metodologia com algoritmos específicos, recorrendo a um grande número de fotografias clínicas, para o diagnóstico da retinopatia diabética e do cancro da pele, com resultados muito precisos e comparáveis aos clínicos especializados.e comparáveis aos clínicos especializados.
, 畳み込みニューラルネットワーク（たたみこみニューラルネットワーク、英: Convol … 畳み込みニューラルネットワーク（たたみこみニューラルネットワーク、英: Convolutional neural network、略称: CNNまたはConvNet）は層間を共通重みの局所結合で繋いだニューラルネットワークの総称・クラスである。機械学習、特に画像や動画認識に広く使われる。 CNNは、その重み（行列の）共有構造と並進不変特性に基づいて、シフト不変（shift invariant）あるいは位置不変（space invariant）人工ニューラルネットワーク（SIANN）とも呼ばれている。 一般的な畳み込み処理は以下のように定式化される。はj番目の出力チャネルを、は相互相関関数を意味する。 すなわち各出力チャネル ごとに入力チャネル 枚分の畳み込みカーネル が用意され、カーネルを用いた各入力チャネルの畳み込みの総和へバイアス項 が付与され各チャネル出力となっている。式からわかるように、入力チャネル間は畳み込み処理ではなく和で計算され、また入力チャネル と畳みこまれるカーネルは出力チャネルごとに異なる。 カーネルはしばしばフィルタと呼ばれる。これは位置関係をもつ重みづけ和のスライド演算（畳み込み）がフィルタ適用と等価なことに由来する。 畳み込み処理自体は単純な線形変換である。出力のある1点を見ると局所以外の重みが全て0の全結合と等価であることからこれはわかる。多くのCNNでは畳み込み処理に引き続いてシグモイド関数やReLUなどの活性化関数による非線形変換をおこなう。 単純なCNNは順伝播型 (FFN)、すなわち浅い層から深い層へのみ結合をもつ。ただしCNNは2層間の結合様式を規定するクラスでありFFNと限らない。非FFN型CNNの一例として大局的に回帰結合をもち層間では畳み込みをおこなうRecurrent CNNが提唱されている。 CNNは画像・動画認識やレコメンダシステム、自然言語処理に応用されている。ている。 CNNは画像・動画認識やレコメンダシステム、自然言語処理に応用されている。
, الشبكات العصبونية الإلتفافية (بالإنجليزية: … الشبكات العصبونية الإلتفافية (بالإنجليزية: Convolutional neural network)، نوع خاص من أنواع الشبكات العصبونية بالتغذية الأمامية (بالإنجليزية: Feed forward neural network) و تستمد إلهامها من العمليات البيولوجية الحاصلة في الفص البصري بالتحديد في دماغ الكائنات الحية، وتعتبر حلاً للكثير من مشاكل الرؤية الحاسوبية في الذكاء الاصطناعي مثل معالجة الصور والفيديوهات، يوجد لبنيتها عدة تصاميم ولكن Le-Net 5 يعتبر النموذج الأكثر شهرة وتطبيقاً عملياً وقد قدمه عالم الحاسوب الفرنسي «يان لوكون» (Yann André LeCun) عام 1998م. «يان لوكون» (Yann André LeCun) عام 1998م.
|
| http://dbpedia.org/ontology/thumbnail
|
http://commons.wikimedia.org/wiki/Special:FilePath/Comparison_image_neural_networks.svg?width=300 +
|
| http://dbpedia.org/ontology/wikiPageExternalLink
|
https://ujjwalkarn.me/2016/08/11/intuitive-explanation-convnets/ +
, https://www.completegate.com/2017022864/blog/deep-machine-learning-images-lenet-alexnet-cnn/all-pages +
, https://cs231n.github.io/ +
|
| http://dbpedia.org/ontology/wikiPageID
|
40409788
|
| http://dbpedia.org/ontology/wikiPageLength
|
117574
|
| http://dbpedia.org/ontology/wikiPageRevisionID
|
1123805333
|
| http://dbpedia.org/ontology/wikiPageWikiLink
|
http://dbpedia.org/resource/Reinforcement_learning +
, http://dbpedia.org/resource/Visual_field +
, http://dbpedia.org/resource/Hyperparameter_%28machine_learning%29 +
, http://dbpedia.org/resource/Elastic_deformation +
, http://dbpedia.org/resource/Downsampling_%28signal_processing%29 +
, http://dbpedia.org/resource/Convolution +
, http://dbpedia.org/resource/Deep_learning +
, http://dbpedia.org/resource/Activation_function +
, http://dbpedia.org/resource/Hydrogen_bond +
, http://dbpedia.org/resource/Scala_%28programming_language%29 +
, http://dbpedia.org/resource/Coprocessor +
, http://dbpedia.org/resource/Loss_function +
, http://dbpedia.org/resource/Unsupervised_learning +
, http://dbpedia.org/resource/Proportional_hazards_model +
, http://dbpedia.org/resource/Electromyography +
, http://dbpedia.org/resource/Zero_norm +
, http://dbpedia.org/resource/Maximum +
, http://dbpedia.org/resource/C%2B%2B +
, http://dbpedia.org/resource/Recurrent_neural_networks +
, http://dbpedia.org/resource/Dropout_%28neural_networks%29 +
, http://dbpedia.org/resource/Kunihiko_Fukushima +
, http://dbpedia.org/resource/Computer_Go +
, http://dbpedia.org/resource/Time_series +
, http://dbpedia.org/resource/Rectifier_%28neural_networks%29 +
, http://dbpedia.org/resource/Integer +
, http://dbpedia.org/resource/File:Typical_cnn.png +
, http://dbpedia.org/resource/Cuneiform +
, http://dbpedia.org/resource/Syllable +
, http://dbpedia.org/resource/CPU +
, http://dbpedia.org/resource/GNU_Go +
, http://dbpedia.org/resource/AlphaGo +
, http://dbpedia.org/resource/Self-driving_car +
, http://dbpedia.org/resource/Sparse_network +
, http://dbpedia.org/resource/Affine_transformation +
, http://dbpedia.org/resource/Scientific_computing +
, http://dbpedia.org/resource/Recommender_system +
, http://dbpedia.org/resource/National_Health_and_Nutrition_Examination_Survey +
, http://dbpedia.org/resource/C_%28programming_language%29 +
, http://dbpedia.org/resource/Biomolecule +
, http://dbpedia.org/resource/Long_short-term_memory +
, http://dbpedia.org/resource/SIMD +
, http://dbpedia.org/resource/Clay_tablet +
, http://dbpedia.org/resource/Elastic_net_regularization +
, http://dbpedia.org/resource/Regularization_%28mathematics%29 +
, http://dbpedia.org/resource/Complex_cell +
, http://dbpedia.org/resource/Category:Neural_network_architectures +
, http://dbpedia.org/resource/Dot_product +
, http://dbpedia.org/resource/Amos_Storkey +
, http://dbpedia.org/resource/Deeplearning4j +
, http://dbpedia.org/resource/File:Conv_layers.png +
, http://dbpedia.org/resource/Translation_invariance +
, http://dbpedia.org/resource/File:Conv_layer.png +
, http://dbpedia.org/resource/Caffe_%28software%29 +
, http://dbpedia.org/resource/Aromaticity +
, http://dbpedia.org/resource/Precision_and_recall +
, http://dbpedia.org/resource/Average +
, http://dbpedia.org/resource/Graphics_processing_unit +
, http://dbpedia.org/resource/Aliasing +
, http://dbpedia.org/resource/Mathematical_biology +
, http://dbpedia.org/resource/Brain%E2%80%93computer_interface +
, http://dbpedia.org/resource/Free_parameter +
, http://dbpedia.org/resource/Attention_%28machine_learning%29 +
, http://dbpedia.org/resource/Dlib +
, http://dbpedia.org/resource/Mammography +
, http://dbpedia.org/resource/Recurrent_neural_network +
, http://dbpedia.org/resource/Real_number +
, http://dbpedia.org/resource/Torsten_Wiesel +
, http://dbpedia.org/resource/Biomarkers_of_aging +
, http://dbpedia.org/resource/Training +
, http://dbpedia.org/resource/Facial_recognition_system +
, http://dbpedia.org/resource/Orbital_hybridisation +
, http://dbpedia.org/resource/Anti-aliasing_filter +
, http://dbpedia.org/resource/Andrej_Karpathy +
, http://dbpedia.org/resource/Natural_language_processing +
, http://dbpedia.org/resource/TensorFlow +
, http://dbpedia.org/resource/Video_quality +
, http://dbpedia.org/resource/Euclidean_norm +
, http://dbpedia.org/resource/Semantic_parsing +
, http://dbpedia.org/resource/Receptive_field +
, http://dbpedia.org/resource/Simple_cell +
, http://dbpedia.org/resource/Category:Computer_vision +
, http://dbpedia.org/resource/Regression_%28machine_learning%29 +
, http://dbpedia.org/resource/Visual_cortex +
, http://dbpedia.org/resource/Region_of_interest +
, http://dbpedia.org/resource/Apache_Spark +
, http://dbpedia.org/resource/Intel_Xeon_Phi +
, http://dbpedia.org/resource/Neocognitron +
, http://dbpedia.org/resource/Scale-invariant_feature_transform +
, http://dbpedia.org/resource/Euclidean_distance +
, http://dbpedia.org/resource/Medical_image_computing +
, http://dbpedia.org/resource/Three-dimensional_space +
, http://dbpedia.org/resource/Image_recognition +
, http://dbpedia.org/resource/Equivariant_map +
, http://dbpedia.org/resource/Yann_LeCun +
, http://dbpedia.org/resource/Alex_Waibel +
, http://dbpedia.org/resource/Tensor_processing_unit +
, http://dbpedia.org/resource/Channel_%28digital_image%29 +
, http://dbpedia.org/resource/Computer_vision +
, http://dbpedia.org/resource/Image_segmentation +
, http://dbpedia.org/resource/Deep_neural_network +
, http://dbpedia.org/resource/Retina +
, http://dbpedia.org/resource/Object_detection +
, http://dbpedia.org/resource/Cross-validation_%28statistics%29 +
, http://dbpedia.org/resource/Safety-critical_system +
, http://dbpedia.org/resource/Sparse_approximation +
, http://dbpedia.org/resource/Root_mean_square_error +
, http://dbpedia.org/resource/Ground_truth +
, http://dbpedia.org/resource/Q-learning +
, http://dbpedia.org/resource/Overfitting +
, http://dbpedia.org/resource/Locality_of_reference +
, http://dbpedia.org/resource/L1-norm +
, http://dbpedia.org/resource/File:Neural_Abstraction_Pyramid.jpg +
, http://dbpedia.org/resource/MNIST +
, http://dbpedia.org/resource/File:Comparison_image_neural_networks.svg +
, http://dbpedia.org/resource/Cortical_neuron +
, http://dbpedia.org/resource/GoogLeNet +
, http://dbpedia.org/resource/Max_pooling +
, http://dbpedia.org/resource/RGB_images +
, http://dbpedia.org/resource/File:RoI_pooling_animated.gif +
, http://dbpedia.org/resource/Nonlinear_filter +
, http://dbpedia.org/resource/Feature_engineering +
, http://dbpedia.org/resource/Memory_footprint +
, http://dbpedia.org/resource/Spatial_locality +
, http://dbpedia.org/resource/Curvature +
, http://dbpedia.org/resource/File:Max_pooling.png +
, http://dbpedia.org/resource/Layer_%28deep_learning%29 +
, http://dbpedia.org/resource/Organisms +
, http://dbpedia.org/resource/Hyperparameter_optimization +
, http://dbpedia.org/resource/Vision_processing_unit +
, http://dbpedia.org/resource/Ebola_virus +
, http://dbpedia.org/resource/Conformal_prediction +
, http://dbpedia.org/resource/Compute_kernel +
, http://dbpedia.org/resource/Stanford_University +
, http://dbpedia.org/resource/Lua_%28programming_language%29 +
, http://dbpedia.org/resource/Artificial_neuron +
, http://dbpedia.org/resource/Generalization_%28learning%29 +
, http://dbpedia.org/resource/Text-to-Video_model +
, http://dbpedia.org/resource/Database +
, http://dbpedia.org/resource/Transfer_learning +
, http://dbpedia.org/resource/3D_scanner +
, http://dbpedia.org/resource/GigaMesh_Software_Framework +
, http://dbpedia.org/resource/Protein +
, http://dbpedia.org/resource/Tensor +
, http://dbpedia.org/resource/David_B._Fogel +
, http://dbpedia.org/resource/Chinook_%28draughts_player%29 +
, http://dbpedia.org/resource/Vector_addition +
, http://dbpedia.org/resource/Visual_system +
, http://dbpedia.org/resource/Artificial_neural_network +
, http://dbpedia.org/resource/Machine_learning +
, http://dbpedia.org/resource/Structure-based_drug_design +
, http://dbpedia.org/resource/GPU +
, http://dbpedia.org/resource/Atari_2600 +
, http://dbpedia.org/resource/Java_%28programming_language%29 +
, http://dbpedia.org/resource/Multinomial_distribution +
, http://dbpedia.org/resource/RGB_color_model +
, http://dbpedia.org/resource/Torch_%28machine_learning%29 +
, http://dbpedia.org/resource/Curse_of_dimensionality +
, http://dbpedia.org/resource/Intersection_%28set_theory%29 +
, http://dbpedia.org/resource/Category:Computational_neuroscience +
, http://dbpedia.org/resource/Kernel_%28image_processing%29 +
, http://dbpedia.org/resource/Ill-posed_problem +
, http://dbpedia.org/resource/Stride_of_an_array +
, http://dbpedia.org/resource/Deep_belief_network +
, http://dbpedia.org/resource/Theano_%28software%29 +
, http://dbpedia.org/resource/AlexNet +
, http://dbpedia.org/resource/CUDA +
, http://dbpedia.org/resource/DeepDream +
, http://dbpedia.org/resource/Biological +
, http://dbpedia.org/resource/Drug_discovery +
, http://dbpedia.org/resource/GPGPU +
, http://dbpedia.org/resource/Multiple_sclerosis +
, http://dbpedia.org/resource/Matrix_multiplication +
, http://dbpedia.org/resource/C_Sharp_%28programming_language%29 +
, http://dbpedia.org/resource/Translation_invariant +
, http://dbpedia.org/resource/Cross_entropy +
, http://dbpedia.org/resource/Softmax_function +
, http://dbpedia.org/resource/Visual_temporal_attention +
, http://dbpedia.org/resource/Multilayer_perceptron +
, http://dbpedia.org/resource/MATLAB +
, http://dbpedia.org/resource/Microsoft_Cognitive_Toolkit +
, http://dbpedia.org/resource/Monte_Carlo_tree_search +
, http://dbpedia.org/resource/Sigmoid_function +
, http://dbpedia.org/resource/Symmetry +
, http://dbpedia.org/resource/Nyquist%E2%80%93Shannon_sampling_theorem +
, http://dbpedia.org/resource/Salience_%28neuroscience%29 +
, http://dbpedia.org/resource/IDSIA +
, http://dbpedia.org/resource/Blondie24 +
, http://dbpedia.org/resource/Go_ranks_and_ratings +
, http://dbpedia.org/resource/Capsule_neural_network +
, http://dbpedia.org/resource/Deformation_theory +
, http://dbpedia.org/resource/Decision_boundary +
, http://dbpedia.org/resource/Data_augmentation +
, http://dbpedia.org/resource/MNIST_database +
, http://dbpedia.org/resource/ZIP_Code +
, http://dbpedia.org/resource/Image_classification +
, http://dbpedia.org/resource/ImageNet_Large_Scale_Visual_Recognition_Challenge +
, http://dbpedia.org/resource/Partition_of_a_set +
, http://dbpedia.org/resource/NumPy +
, http://dbpedia.org/resource/Time_delay_neural_network +
, http://dbpedia.org/resource/Boltzmann_machine +
, http://dbpedia.org/resource/Backpropagation +
, http://dbpedia.org/resource/Frobenius_inner_product +
, http://dbpedia.org/resource/CIFAR-10 +
, http://dbpedia.org/resource/David_H._Hubel +
, http://dbpedia.org/resource/Dimensionality_reduction +
, http://dbpedia.org/resource/Nonlinearity_%28journal%29 +
, http://dbpedia.org/resource/Apache_License +
, http://dbpedia.org/resource/Expected_value +
, http://dbpedia.org/resource/L2_norm +
, http://dbpedia.org/resource/Deterministic_algorithm +
, http://dbpedia.org/resource/Data_loss +
, http://dbpedia.org/resource/Visual_spatial_attention +
, http://dbpedia.org/resource/Feature_%28machine_learning%29 +
, http://dbpedia.org/resource/Per-comparison_error_rate +
, http://dbpedia.org/resource/Translational_symmetry +
, http://dbpedia.org/resource/Filter_%28signal_processing%29 +
, http://dbpedia.org/resource/Draughts +
, http://dbpedia.org/resource/Hyperbolic_tangent +
, http://dbpedia.org/resource/Python_%28programming_language%29 +
, http://dbpedia.org/resource/Natural-language_processing +
|
| http://dbpedia.org/property/date
|
December 2018
|
| http://dbpedia.org/property/wikiPageUsesTemplate
|
http://dbpedia.org/resource/Template:Short_description +
, http://dbpedia.org/resource/Template:More_citations_needed +
, http://dbpedia.org/resource/Template:When +
, http://dbpedia.org/resource/Template:Other_uses +
, http://dbpedia.org/resource/Template:TOC_limit +
, http://dbpedia.org/resource/Template:Which +
, http://dbpedia.org/resource/Template:Rp +
, http://dbpedia.org/resource/Template:Citation_needed +
, http://dbpedia.org/resource/Template:Example_needed +
, http://dbpedia.org/resource/Template:Machine_learning +
, http://dbpedia.org/resource/Template:Main +
, http://dbpedia.org/resource/Template:Lang-en-GB +
, http://dbpedia.org/resource/Template:Clarify +
, http://dbpedia.org/resource/Template:Reflist +
, http://dbpedia.org/resource/Template:More_citations_needed_section +
|
| http://purl.org/dc/terms/subject
|
http://dbpedia.org/resource/Category:Computer_vision +
, http://dbpedia.org/resource/Category:Neural_network_architectures +
, http://dbpedia.org/resource/Category:Computational_neuroscience +
|
| http://purl.org/linguistics/gold/hypernym
|
http://dbpedia.org/resource/Network +
|
| http://www.w3.org/ns/prov#wasDerivedFrom
|
http://en.wikipedia.org/wiki/Convolutional_neural_network?oldid=1123805333&ns=0 +
|
| http://xmlns.com/foaf/0.1/depiction
|
http://commons.wikimedia.org/wiki/Special:FilePath/RoI_pooling_animated.gif +
, http://commons.wikimedia.org/wiki/Special:FilePath/Neural_Abstraction_Pyramid.jpg +
, http://commons.wikimedia.org/wiki/Special:FilePath/Conv_layers.png +
, http://commons.wikimedia.org/wiki/Special:FilePath/Conv_layer.png +
, http://commons.wikimedia.org/wiki/Special:FilePath/Typical_cnn.png +
, http://commons.wikimedia.org/wiki/Special:FilePath/Comparison_image_neural_networks.svg +
, http://commons.wikimedia.org/wiki/Special:FilePath/Max_pooling.png +
|
| http://xmlns.com/foaf/0.1/isPrimaryTopicOf
|
http://en.wikipedia.org/wiki/Convolutional_neural_network +
|
| owl:sameAs |
http://et.dbpedia.org/resource/Konvolutsiooniline_n%C3%A4rviv%C3%B5rk +
, http://ja.dbpedia.org/resource/%E7%95%B3%E3%81%BF%E8%BE%BC%E3%81%BF%E3%83%8B%E3%83%A5%E3%83%BC%E3%83%A9%E3%83%AB%E3%83%8D%E3%83%83%E3%83%88%E3%83%AF%E3%83%BC%E3%82%AF +
, http://uk.dbpedia.org/resource/%D0%97%D0%B3%D0%BE%D1%80%D1%82%D0%BA%D0%BE%D0%B2%D0%B0_%D0%BD%D0%B5%D0%B9%D1%80%D0%BE%D0%BD%D0%BD%D0%B0_%D0%BC%D0%B5%D1%80%D0%B5%D0%B6%D0%B0 +
, http://ko.dbpedia.org/resource/%ED%95%A9%EC%84%B1%EA%B3%B1_%EC%8B%A0%EA%B2%BD%EB%A7%9D +
, http://simple.dbpedia.org/resource/Convolutional_neural_network +
, http://ar.dbpedia.org/resource/%D8%B4%D8%A8%D9%83%D8%A9_%D8%B9%D8%B5%D8%A8%D9%88%D9%86%D9%8A%D8%A9_%D8%A7%D9%84%D8%AA%D9%81%D8%A7%D9%81%D9%8A%D8%A9 +
, http://ru.dbpedia.org/resource/%D0%A1%D0%B2%D1%91%D1%80%D1%82%D0%BE%D1%87%D0%BD%D0%B0%D1%8F_%D0%BD%D0%B5%D0%B9%D1%80%D0%BE%D0%BD%D0%BD%D0%B0%D1%8F_%D1%81%D0%B5%D1%82%D1%8C +
, http://it.dbpedia.org/resource/Rete_neurale_convoluzionale +
, http://www.wikidata.org/entity/Q17084460 +
, http://lt.dbpedia.org/resource/Konvoliucinis_neuroninis_tinklas +
, http://sr.dbpedia.org/resource/%D0%9A%D0%BE%D0%BD%D0%B2%D0%BE%D0%BB%D1%83%D1%86%D0%B8%D1%98%D1%81%D0%BA%D0%B5_%D0%BD%D0%B5%D1%83%D1%80%D0%BE%D0%BD%D1%81%D0%BA%D0%B5_%D0%BC%D1%80%D0%B5%D0%B6%D0%B5 +
, http://fr.dbpedia.org/resource/R%C3%A9seau_neuronal_convolutif +
, http://es.dbpedia.org/resource/Red_neuronal_convolucional +
, http://tr.dbpedia.org/resource/Evri%C5%9Fimli_sinir_a%C4%9Flar%C4%B1 +
, http://he.dbpedia.org/resource/%D7%A8%D7%A9%D7%AA_%D7%A7%D7%95%D7%A0%D7%91%D7%95%D7%9C%D7%95%D7%A6%D7%99%D7%94 +
, http://ca.dbpedia.org/resource/Xarxa_neuronal_convolucional +
, http://fa.dbpedia.org/resource/%D8%B4%D8%A8%DA%A9%D9%87_%D8%B9%D8%B5%D8%A8%DB%8C_%D9%BE%DB%8C%DA%86%D8%B4%DB%8C +
, http://yago-knowledge.org/resource/Convolutional_neural_network +
, http://vi.dbpedia.org/resource/M%E1%BA%A1ng_th%E1%BA%A7n_kinh_t%C3%ADch_ch%E1%BA%ADp +
, http://rdf.freebase.com/ns/m.0x2dbhq +
, https://global.dbpedia.org/id/f9QB +
, http://pt.dbpedia.org/resource/Rede_neural_convolucional +
, http://dbpedia.org/resource/Convolutional_neural_network +
, http://zh.dbpedia.org/resource/%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C +
, http://de.dbpedia.org/resource/Convolutional_Neural_Network +
|
| rdf:type |
http://dbpedia.org/class/yago/Statement106722453 +
, http://dbpedia.org/class/yago/Specification106725067 +
, http://dbpedia.org/class/yago/Message106598915 +
, http://dbpedia.org/class/yago/ComputerArchitecture106725249 +
, http://dbpedia.org/class/yago/WikicatArtificialNeuralNetworks +
, http://dbpedia.org/class/yago/NeuralNetwork106725467 +
, http://dbpedia.org/class/yago/Communication100033020 +
, http://dbpedia.org/class/yago/Abstraction100002137 +
, http://dbpedia.org/ontology/Broadcaster +
, http://dbpedia.org/class/yago/Description106724763 +
|
| rdfs:comment |
합성곱 신경망(콘볼루션 신경망, Convolutional neural net … 합성곱 신경망(콘볼루션 신경망, Convolutional neural network, CNN)은 시각적 영상을 분석하는 데 사용되는 다층의 피드-포워드적인 인공신경망의 한 종류이다. 필터링 기법을 인공신경망에 적용하여 이미지를 효과적으로 처리할 수 있는 심층 신경망 기법으로 행렬로 표현된 필터의 각 요소가 데이터 처리에 적합하도록 자동으로 학습되는 과정을 통해 이미지를 분류하는 기법이다. 합성곱 신경망은 정규화 된 버전의 다층 퍼셉트론이다. 다층 퍼셉트론은 일반적으로 완전히 연결된 네트워크, 즉 한 계층의 각 뉴런이 다음 계층의 모든 뉴런에 연결되는 신경망 구조이다. 이와 같이 네트워크가 완전 연결된 경우 주어진 데이터에 과적합 되는 경향이 있다. 일반적인 정규화를 위해 최적화 함수에 특정 척도를 추가하는 방법이 흔히 쓰이지만, CNN은 정규화를 위한 다른 접근 방식을 취한다. 데이터에서 계층적 패턴을 활용하고 더 작고 간단한 패턴을 사용하여 더 복잡한 패턴을 표현함으로써 정규화와 같은 효과를 내는 것이다. 따라서 합성곱 신경망의 연결 구조의 복잡성은 유사한 기능의 다층 퍼셉트론에 비해 극단적으로 낮다. 연결 구조의 복잡성은 유사한 기능의 다층 퍼셉트론에 비해 극단적으로 낮다.
, In deep learning, a convolutional neural n … In deep learning, a convolutional neural network (CNN, or ConvNet) is a class of artificial neural network (ANN), most commonly applied to analyze visual imagery. CNNs are also known as Shift Invariant or Space Invariant Artificial Neural Networks (SIANN), based on the shared-weight architecture of the convolution kernels or filters that slide along input features and provide translation-equivariant responses known as feature maps. Counter-intuitively, most convolutional neural networks are not invariant to translation, due to the downsampling operation they apply to the input. They have applications in image and video recognition, recommender systems, image classification, image segmentation, medical image analysis, natural language processing, brain–computer interfaces, and financial timain–computer interfaces, and financial tim
, 畳み込みニューラルネットワーク（たたみこみニューラルネットワーク、英: Convol … 畳み込みニューラルネットワーク（たたみこみニューラルネットワーク、英: Convolutional neural network、略称: CNNまたはConvNet）は層間を共通重みの局所結合で繋いだニューラルネットワークの総称・クラスである。機械学習、特に画像や動画認識に広く使われる。 CNNは、その重み（行列の）共有構造と並進不変特性に基づいて、シフト不変（shift invariant）あるいは位置不変（space invariant）人工ニューラルネットワーク（SIANN）とも呼ばれている。 一般的な畳み込み処理は以下のように定式化される。はj番目の出力チャネルを、は相互相関関数を意味する。 すなわち各出力チャネル ごとに入力チャネル 枚分の畳み込みカーネル が用意され、カーネルを用いた各入力チャネルの畳み込みの総和へバイアス項 が付与され各チャネル出力となっている。式からわかるように、入力チャネル間は畳み込み処理ではなく和で計算され、また入力チャネル と畳みこまれるカーネルは出力チャネルごとに異なる。 カーネルはしばしばフィルタと呼ばれる。これは位置関係をもつ重みづけ和のスライド演算（畳み込み）がフィルタ適用と等価なことに由来する。 CNNは画像・動画認識やレコメンダシステム、自然言語処理に応用されている。来する。 CNNは画像・動画認識やレコメンダシステム、自然言語処理に応用されている。
, Nell'apprendimento automatico, una rete ne … Nell'apprendimento automatico, una rete neurale convoluzionale (CNN o ConvNet dall'inglese convolutional neural network) è un tipo di rete neurale artificiale feed-forward in cui il pattern di connettività tra i neuroni è ispirato dall'organizzazione della corteccia visiva animale, i cui neuroni individuali sono disposti in maniera tale da rispondere alle regioni di sovrapposizione che tassellano il campo visivo.Le reti convoluzionali sono ispirate da processi biologici e sono variazioni di percettroni multistrato progettate per usare al minimo la pre-elaborazione.Hanno diverse applicazioni nel riconoscimento di immagini e video, nei sistemi di raccomandazione, nell'elaborazione del linguaggio naturale e, recentemente, in bioinformatica.turale e, recentemente, in bioinformatica.
, En apprentissage automatique, un réseau de … En apprentissage automatique, un réseau de neurones convolutifs ou réseau de neurones à convolution (en anglais CNN ou ConvNet pour convolutional neural networks) est un type de réseau de neurones artificiels acycliques (feed-forward), dans lequel le motif de connexion entre les neurones est inspiré par le cortex visuel des animaux. Les neurones de cette région du cerveau sont arrangés de sorte qu'ils correspondent à des régions qui se chevauchent lors du pavage du champ visuel. Leur fonctionnement est inspiré par les processus biologiques, ils consistent en un empilage multicouche de perceptrons, dont le but est de prétraiter de petites quantités d'informations. Les réseaux neuronaux convolutifs ont de larges applications dans la reconnaissance d'image et vidéo, les systèmes de recommandaimage et vidéo, les systèmes de recommanda
, الشبكات العصبونية الإلتفافية (بالإنجليزية: … الشبكات العصبونية الإلتفافية (بالإنجليزية: Convolutional neural network)، نوع خاص من أنواع الشبكات العصبونية بالتغذية الأمامية (بالإنجليزية: Feed forward neural network) و تستمد إلهامها من العمليات البيولوجية الحاصلة في الفص البصري بالتحديد في دماغ الكائنات الحية، وتعتبر حلاً للكثير من مشاكل الرؤية الحاسوبية في الذكاء الاصطناعي مثل معالجة الصور والفيديوهات، يوجد لبنيتها عدة تصاميم ولكن Le-Net 5 يعتبر النموذج الأكثر شهرة وتطبيقاً عملياً وقد قدمه عالم الحاسوب الفرنسي «يان لوكون» (Yann André LeCun) عام 1998م. «يان لوكون» (Yann André LeCun) عام 1998م.
, Зго́рткові нейро́нні мере́жі (ЗНМ, англ. c … Зго́рткові нейро́нні мере́жі (ЗНМ, англ. convolutional neural network, CNN, ConvNet) в машинному навчанні — це клас глибинних штучних нейронних мереж прямого поширення, який успішно застосовувався до аналізу візуальних зображень. Згорткові мережі взяли за основу біологічний процес, а саме схему з'єднання нейронів зорової кори тварин. Окремі нейрони кори реагують на лише в обмеженій області зорового поля, відомій як рецептивне поле. Рецептивні поля різних нейронів частково перекриваються таким чином, що вони покривають усе зорове поле.чином, що вони покривають усе зорове поле.
, Свёрточная нейронная сеть (англ. convoluti … Свёрточная нейронная сеть (англ. convolutional neural network, CNN) — специальная архитектура искусственных нейронных сетей, предложенная Яном Лекуном в 1988 году и нацеленная на эффективное распознавание образов, входит в состав технологий глубокого обучения (англ. deep learning). Использует некоторые особенности зрительной коры, в которой были открыты так называемые простые клетки, реагирующие на прямые линии под разными углами, и сложные клетки, реакция которых связана с активацией определённого набора простых клеток. Таким образом, идея свёрточных нейронных сетей заключается в чередовании свёрточных слоёв (англ. convolution layers) и субдискретизирующих слоёв (англ. subsampling layers или англ. pooling layers, слоёв подвыборки). Структура сети — однонаправленная (без обратных связей), — однонаправленная (без обратных связей),
, Una xarxa neuronal convolucional (l'acròni … Una xarxa neuronal convolucional (l'acrònim anglès és CNN), en aprenentatge automàtic, és un tipus de xarxa neuronal artificial que disposa de connectivitat entre neurones inspirada pel còrtex visual dels animals. La resposta d'aquestes neurones corticals pot ser aproximada matemàticament per una funció de convolució. Les aplicacions de les CNN són el reconeixement d'imatges, sistemes de recomanació i processament del llenguatge.recomanació i processament del llenguatge.
, Ein Convolutional Neural Network (CNN oder … Ein Convolutional Neural Network (CNN oder ConvNet), zu Deutsch etwa „faltendes neuronales Netzwerk“, ist ein künstliches neuronales Netz. Es handelt sich um ein von biologischen Prozessen inspiriertes Konzept im Bereich des maschinellen Lernens. Convolutional Neural Networks finden Anwendung in zahlreichen Technologien der künstlichen Intelligenz, vornehmlich bei der maschinellen Verarbeitung von Bild- oder Audiodaten.en Verarbeitung von Bild- oder Audiodaten.
, 卷积神经网络（Convolutional Neural Network, CNN）是 … 卷积神经网络（Convolutional Neural Network, CNN）是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。 卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（pooling layer）。这一结构使得卷积神经网络能够利用输入数据的二维结构。与其他深度学习结构相比，卷积神经网络在图像和语音识别方面能够给出更好的结果。这一模型也可以使用反向传播算法进行训练。相比较其他深度、前馈神经网络，卷积神经网络需要考量的参数更少，使之成为一种颇具吸引力的深度学习结构。前馈神经网络，卷积神经网络需要考量的参数更少，使之成为一种颇具吸引力的深度学习结构。
, Una red neuronal convolucional es un tipo … Una red neuronal convolucional es un tipo de red neuronal artificial donde las neuronas artificiales, corresponden a campos receptivos de una manera muy similar a las neuronas en la corteza visual primaria (V1) de un cerebro biológico[cita requerida]. Este tipo de red es una variación de un perceptron multicapa, sin embargo, debido a que su aplicación es realizada en matrices bidimensionales, son muy efectivas para tareas de visión artificial, como en la clasificación y segmentación de imágenes, entre otras aplicaciones.ón de imágenes, entre otras aplicaciones.
, No contexto de inteligência artificial e a … No contexto de inteligência artificial e aprendizagem de máquina, uma rede neural convolucional (CNN do inglês Convolutional Neural network ou ConvNet) é uma classe de rede neural artificial do tipo feed-forward, que vem sendo aplicada com sucesso no processamento e análise de imagens digitais. Esse tipo de rede é usada principalmente em reconhecimento de imagens e processamento de vídeo, embora já tenha sido aplicada com sucesso em experimentos envolvendo processamento de voz e linguagem natural. processamento de voz e linguagem natural.
|
| rdfs:label |
Rede neural convolucional
, شبكة عصبونية التفافية
, Convolutional Neural Network
, 합성곱 신경망
, Rete neurale convoluzionale
, Réseau neuronal convolutif
, 畳み込みニューラルネットワーク
, Згорткова нейронна мережа
, Red neuronal convolucional
, 卷积神经网络
, Xarxa neuronal convolucional
, Свёрточная нейронная сеть
, Convolutional neural network
|
