Глубокое обучение для компьютерного зрения: краткий обзор
Deep Learning for Computer Vision: A Brief Review
2018-01-01
SCID: 54.1/n6s3udfe
Discuss with AI
компьютерное зрениесверточные нейронные сетиглубокие сети убежденийглубокое обучениеобнаружение объектов
Figures from the paper
Abstract (AI)
В последние годы было показано, что методы глубокого обучения превосходят современные методы машинного обучения, применявшиеся ранее, в ряде областей, причем компьютерное зрение является одним из наиболее ярких примеров. В данной обзорной статье представлен краткий обзор некоторых наиболее значимых архитектур глубокого обучения, используемых в задачах компьютерного зрения, а именно сверточных нейронных сетей, глубоких машин Больцмана и глубоких сетей убеждений, а также многослойных шумоподавляющих автокодировщиков. Кратко рассматриваются их история, структура, преимущества и ограничения, после чего описываются их применения в различных задачах компьютерного зрения, таких как обнаружение объектов, распознавание лиц, распознавание действий и видов активности, а также оценка позы человека. В заключение представлен краткий обзор перспективных направлений разработки архитектур глубокого обучения для задач компьютерного зрения и связанных с этим проблем.
Key Findings
1
Методы глубокого обучения применяются для обнаружения объектов, распознавания лиц, распознавания действий и активности, а также оценки позы человека.
2
Методы глубокого обучения превзошли предыдущие передовые методы машинного обучения в ряде областей, особенно в компьютерном зрении.
3
Дальнейший прогресс зависит от совершенствования архитектур глубокого обучения и решения сохраняющихся проблем компьютерного зрения.
4
В обзоре рассматриваются четыре основных подхода глубокого обучения для компьютерного зрения: сверточные нейронные сети, глубокие машины Больцмана, глубокие сети убеждений и многослойные автоэнкодеры с подавлением шума.
5
Эти архитектуры имеют различные историю, структуру, преимущества и ограничения, значимые для приложений компьютерного зрения.
Research Object
Методы глубокого обучения, применяемые к задачам компьютерного зрения
Research Subject
история, структура, преимущества, ограничения, применения и перспективные направления развития методов глубокого обучения для задач компьютерного зрения
Publication Details
Publication Date
2018-01-01
Journal
Publisher
ISSN
Cited by
3400
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai4
Градиентное обучение для распознавания документов1998
Снижение размерности данных с помощью нейронных сетей2006
Обучение представлений: обзор и новые перспективы2013
Глубокое машинное обучение — новый рубеж исследований в области искусственного интеллекта [Перспективное направление исследований]2010
Работы, цитирующие эту статью7
Моделирование на основе искусственного интеллекта: методы, приложения и научно-исследовательские проблемы на пути к автоматизированным, интеллектуальным и умным системам2022
Современное состояние технологий обнаружения дефектов на основе машинного зрения2021
Применение обработки естественного языка для выявления психических расстройств: нарративный обзор2022
Классификация гиперспектральных изображений — от традиционных методов к глубоким моделям: обзор и перспективы2021
Использование искусственного интеллекта и передовых технологий переработки пищевых продуктов для повышения безопасности, качества и продовольственной обеспеченности: всесторонний обзор2025
Обзор методов машинного обучения и глубокого обучения для обнаружения объектов, семантической сегментации и распознавания действий человека в машинном и роботизированном зрении2024
smDeepFLUOR: глубокая нейросетевая классификация флуоресценции на уровне одиночных молекул2026