데이터를 거의 사용하지 않는 강력한 이미지 분류 모델 구축 블로그 게시물 에는 병목 현상 기능이 언급되어 있습니다. 병목 현상 특징은 무엇입니까? 사용되는 아키텍처에 따라 변경됩니까? 그것들은 완전히 연결된 레이어 이전의 컨볼 루션 레이어의 최종 출력입니까? 왜 그렇게 부르나요?
답변:
데이터를 거의 사용하지 않는 강력한 이미지 분류 모델 구축 블로그 게시물 에는 병목 현상 기능이 언급되어 있습니다. 병목 현상 특징은 무엇입니까?
VGG16 모델의 "병목 현상 기능"을 제공 한 링크 ( 완전히 연결된 레이어 이전의 마지막 활성화 맵)에 명확하게 기록 되어 있습니다 .
사용되는 아키텍처에 따라 변경됩니까?
확실한. 필자는 사전 훈련 된 모델을 사용했을 가능성이 높습니다 (대량 데이터에 대해 훈련하고 이제 기능 추출기로만 사용됨).
그것들은 완전히 연결된 레이어 이전의 컨볼 루션 레이어의 최종 출력입니까?
예.
왜 그렇게 부르나요?
VGG에 대한 입력 크기를 감안할 때 HxW 크기의 기능 맵은 모든 최대 풀 작업 후 두 배 작아집니다. HxW는 마지막 컨 볼루 셔널 레이어에서 가장 작습니다.
먼저, 전이 학습에 대해 이야기해야합니다. 고양이를 탐지하기 위해 이미지 데이터 세트를 통해 뉴런 네트워크를 훈련했다고 가정 해 봅시다. 다른 탐지 된 물체를 다루기 위해 수행 한 훈련의 일부를 사용할 수 있습니다. 이를 전이 학습이라고합니다.
전송 학습을 수행하려면 모델에서 마지막으로 완전히 연결된 레이어를 제거하고 레이어를 연결하십시오. "잘린"모델 출력은 "모델"을 채울 기능입니다. 이것이 병목 현상입니다.
VGG16은 ImageNet 카탈로그를 통한 사전 훈련 모델로서 정확도가 매우 뛰어납니다. 공유 한 게시물에서 해당 모델을 기본으로 사용하여 고양이와 개를 더 정확하게 감지합니다.
병목 현상 기능은 모델에 따라 다릅니다. 이 경우 VGG16을 사용하고 있습니다. VGG19, ResNet-50과 같은 다른 사전 훈련 된 모델이 있습니다
마치 모델을 자르고 자신의 레이어를 추가하는 것과 같습니다. 주로, 출력 레이어는 탐지하고자하는 것을 최종 출력으로 결정합니다.