Обзор нового поколения методов глубокого обучения в обработке изображений
A Survey on the New Generation of Deep Learning in Image Processing
2019-01-01
SCID: 54.1/vf78fe8t
Discuss with AI
дисбаланс классовсверточные нейронные сети (CNN)глубокое обучениегенеративно-состязательные сети (GAN)обработка изображений
Figures from the paper
Abstract (AI)
В течение последнего десятилетия глубокое обучение стало одним из важнейших достижений в области искусственного интеллекта. В частности, оно добилось значительных успехов в обработке изображений. Соответственно, различные приложения, связанные с обработкой изображений, также способствовали быстрому развитию глубокого обучения во всех аспектах, включая структуру сетей, проектирование слоёв и методы обучения. Однако более глубокие архитектуры усложняют применение алгоритма обратного распространения ошибки. Одновременно быстро увеличивается объём неразмеченных обучающих изображений, а дисбаланс классов существенно снижает эффективность глубокого обучения. Эти проблемы требуют разработки новых глубоких моделей и параллельных вычислительных систем, которые позволили бы более эффективно интерпретировать содержание изображений и формировать подходящие механизмы анализа. В связи с этим в настоящем обзоре рассматриваются четыре серии моделей глубокого обучения — серии CNN, GAN, ELM-RVFL и прочие — для всестороннего понимания аналитических методов в области обработки изображений, определения наиболее важных достижений и обозначения перспектив дальнейших исследований. Более глубокое изучение взаимосвязи между глубоким обучением и задачами обработки изображений может не только помочь понять причины успеха глубокого обучения, но и стимулировать разработку новых глубоких моделей и методов обучения. Кроме того, данный обзор призван помочь исследователям получить представление о современных методах глубокого обучения в области обработки изображений и содействовать применению этих технологий в их исследовательских задачах. Также обсуждаются нерешённые проблемы и перспективные направления будущих исследований в области обработки изображений с использованием нового поколения методов глубокого обучения.
Key Findings
1
Глубокое обучение добилось значительных успехов в обработке изображений, а требования приложений стимулировали развитие структур сетей, проектирования слоёв и методов обучения.
2
Увеличение глубины моделей усложняет обратное распространение ошибки, что подчёркивает необходимость новых архитектур и методов обучения.
3
Быстрый рост объёма неразмеченных обучающих изображений и выраженный дисбаланс классов остаются основными проблемами, снижающими эффективность глубокого обучения.
4
Обзор выделяет открытые проблемы и перспективные направления, включая разработку улучшенных глубоких моделей и параллельных вычислительных систем для анализа изображений.
5
Обзор систематизирует методы глубокого обучения для обработки изображений по четырём семействам моделей: CNN, GAN, ELM-RVFL и другим развивающимся архитектурам.
Research Object
Методы глубокого обучения, применяемые для обработки изображений
Research Subject
Архитектуры моделей, методы обучения, аналитические возможности, применения, нерешённые проблемы и перспективные направления нового поколения глубокого обучения для обработки изображений
Publication Details
Publication Date
2019-01-01
Journal
Publisher
ISSN
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai5
FaceNet: Унифицированное встраивание для распознавания и кластеризации лиц2015
Обучение представлений без учителя с помощью глубоких сверточных генеративных состязательных сетей2015
PointNet: глубокое обучение на множествах точек для 3D-классификации и сегментации2017
За пределами гауссовского шумоподавителя: республивая (Residual) обучаемая глубокая сверточная нейронная сеть для удаления шума с изображений2017
Перенос стиля изображения с использованием сверточных нейронных сетей2016