Обзор сверточных нейронных сетей: анализ, применения и перспективы
A Survey of Convolutional Neural Networks: Analysis, Applications, and Prospects
2021-06-10
SCID: 54.1/55naw8s3
Discuss with AI
компьютерное зрениесверточные нейронные сетиглубокое обучениемногомерная сверткаобработка естественного языка
Figures from the paper
Abstract (AI)
Сверточная нейронная сеть (CNN) является одной из наиболее значимых архитектур в области глубокого обучения. Благодаря впечатляющим результатам, достигнутым CNN во многих областях, включая, помимо прочего, компьютерное зрение и обработку естественного языка, в последние годы она привлекла значительное внимание промышленности и академического сообщества. Существующие обзоры в основном посвящены применению CNN в различных сценариях, не рассматривая CNN с общей точки зрения; кроме того, некоторые недавно предложенные оригинальные идеи в них не охвачены. В настоящем обзоре мы стремимся представить новые научные положения и перспективы этого быстро развивающегося направления. Рассматриваются не только двумерные свертки, но также одномерные и многомерные. Во-первых, мы знакомим читателя с историей CNN. Во-вторых, приводим обзор различных типов сверток. В-третьих, рассматриваем несколько классических и современных моделей CNN, уделяя особое внимание ключевым особенностям, которые позволяют им достигать результатов мирового уровня. В-четвертых, на основе экспериментального анализа формулируем ряд выводов и приводим практические рекомендации по выбору функций и гиперпараметров. В-пятых, рассматриваем применения одномерных, двумерных и многомерных сверток. Наконец, обсуждаем нерешенные проблемы и перспективные направления исследований CNN, которые могут служить ориентирами для дальнейшей работы.
Key Findings
1
Экспериментальный анализ позволяет сформулировать практические эвристические правила выбора функций и гиперпараметров CNN.
2
Систематически рассматриваются одномерные, двумерные и многомерные операции свертки.
3
Обзор выявляет открытые проблемы и перспективные направления дальнейшего развития CNN в компьютерном зрении, обработке естественного языка и других приложениях.
4
Обзор представляет общий взгляд на сверточные нейронные сети, выходящий за рамки обзоров отдельных применений.
5
Анализируются классические и современные архитектуры CNN с акцентом на элементы конструкции, связанные с достижением результатов уровня передовых методов.
Research Object
Сверточные нейронные сети (CNN)
Research Subject
история, варианты свёртки, архитектуры моделей, факторы производительности, рекомендации по выбору гиперпараметров, применения и перспективные направления развития CNN
Publication Details
Publication Date
2021-06-10
Journal
Publisher
ISSN
Cited by
5249
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai18
Глубокое остаточное обучение для распознавания изображений2016
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
Очень глубокие сверточные сети для масштабного распознавания изображений2014
Adam: метод стохастической оптимизации2014
ImageNet: крупномасштабная иерархическая база изображений2009
Градиентное обучение для распознавания документов1998
Сети Squeeze-and-Excitation2018
Полуобучаемая классификация с использованием графовых сверточных сетей2016
Переосмысление архитектуры Inception для компьютерного зрения2016
Обучение нескольких слоев признаков на маленьких изображениях2024
FaceNet: Унифицированное встраивание для распознавания и кластеризации лиц2015
Сверточные нейронные сети для классификации предложений2014
Агрегированные остаточные преобразования для глубоких нейронных сетей2017
Обучение представлений без учителя с помощью глубоких сверточных генеративных состязательных сетей2015
ShuffleNet: чрезвычайно эффективная сверточная нейронная сеть для мобильных устройств2018
Модель графовой нейронной сети2008
Обнаружение уязвимостей, специфичных для функциональности, путем поиска индивидуальных эквивалентных по функциональности API в открытых репозиториях2025
Мультимодальная распределённая система Интернета вещей реального времени для управления городским движением (приглашённый доклад)2024
Работы, цитирующие эту статью8
Объяснимый искусственный интеллект (XAI): что нам известно и чего еще необходимо достичь для создания заслуживающего доверия искусственного интеллекта2023
Повышение гибкости и устойчивости цепей поставок с помощью машинного обучения: методы оптимизации логистики и управления запасами2024
Использование искусственного интеллекта и передовых технологий переработки пищевых продуктов для повышения безопасности, качества и продовольственной обеспеченности: всесторонний обзор2025
Интерактивный искусственный интеллект с генерацией с расширенным поиском для сетей следующего поколения2024
Обзор методов обнаружения неисправностей асинхронных двигателей центробежных насосов на основе машинного обучения2022
Сравнительный анализ глубоких нейронных сетей и больших языковых моделей для аспектно-ориентированного анализа тональности2024
Извлечение центральных линий лазерной полосы из полупрозрачных оптических компонентов с использованием многомасштабной внимательной глубокой нейронной сети2024
Обнаружение дефектов керамических прокладок на основе полуобучаемого YOLOv7_OBB с адаптацией к предметной области2025