Neurónové siete sa učia vidieť v 3D
Počítač dnes môžu riadiť autá, poraziť najlepších hráčov v hrách ako go či šachy či dokonca písať prózu. Konvolučné neurónové siete (CNN – convolutional neural networks), inšpirované vrstvami neurónov vo vizuálnej kôre cicavcov, sú prekvapujúco dobré v nachádzaní vzorov v dvojrozmerných údajoch, najmä pri rozpoznávaní textu písaného rukou či objektov na obrázkoch.
No keď sa aplikujú na súbory údajov, ako sú napr. modely nepravidelných tvarov používané v 3D počítačovej animácii alebo mraky bodov generované autonómnymi autami na mapovanie ich okolia, táto výkonná architektúra strojového učenia nefunguje. Okolo roku 2016 sa objavila nová disciplína, nazvaná geometrické hlboké učenie, s cieľom dosiahnuť, aby CNN nevideli svet „sploštene“. Vedci teraz poskytli nový teoretický rámec na budovanie neurónových sietí, ktoré sa môžu učiť vzory na akomkoľvek druhu geometrického povrchu.
Takéto CNN, označované gauge-equivariant convolutional neural networks, dokážu detegovať vzory nielen v 2D pol ...
Článok je uzamknutý
Prihlásiť pomocou členstva NEXTECH
Článok je uzamknutý
Pokračovanie článku patrí k prémiovému obsahu pre predplatiteľov. S digitálnym predplatným už od 10 € získate neobmedzený prístup k uzamknutému obsahu na celý rok. Objednať si ho môžete TU. Ak ho už máte prihláste sa TU
Prihlásiť pomocou členstva NEXTECH