CNN의 패턴 인식 기능이 이미지 처리로 제한됩니까?

Convolutional Neural Network를 사용하여 기존 이미지가없는 문제 영역 (예 : 추상 데이터를 그래픽으로 표현)에서 패턴 인식에 사용할 수 있습니까? 항상 덜 효율적입니까?

이 개발자 는 현재의 개발이 더 진행될 수 있지만 이미지 인식에 한계가 없다면 불가능하다고 말합니다.

CNN (Convolutional Nets)은 신호 처리에 일반적으로 사용되는 수학적 회선 (예 : 2D 또는 3D 회선)에 의존합니다. 이미지는 일종의 신호이며 컨볼 루션은 사운드, 진동 등에 동일하게 사용할 수 있습니다. 따라서 CNN은 원칙적으로 모든 신호에 대한 응용 프로그램을 찾을 수 있습니다.

실제로, 일부 사람들은 재귀 네트워크가 아닌 CNN을 사용하여 텍스트를 처리하는 NLP (Matthew Graves가 언급 한 것처럼)에 대한 작업이 이미 존재합니다. 다른 작업은 사운드 처리에 적용됩니다 (여기서는 참조하지 않지만 아직 게시되지 않은 작업이 진행 중임).

원본 내용 : 원래 제목 질문에 대한 답변으로 현재 변경되었습니다. 아마도 이것을 삭제해야 할 것 입니다.

대적 네트워크 (및 관련)에 대한 연구에 따르면 깊은 네트워크 조차도 쉽게 속일 수 있으므로 인간이 그것을 보았을 때 임의의 소음으로 보이는 개 (또는 다른 물체)를 볼 수 있습니다 (이 기사에는 명확한 예가 있습니다).

또 다른 문제는 신경망의 일반화 능력입니다. 컨볼 루션 네트는 다른 기술보다 더 나은 방식으로 일반화 할 수있는 기능으로 세계를 놀라게했습니다. 그러나 네트워크에 고양이 이미지 만 먹이는 경우 고양이 만 인식 할 수 있습니다 (적대적 네트워크 결과에서 볼 수 있듯이 모든 곳에서 고양이를 볼 수 있음). 즉, 심지어 CN이 힘든 시간을 너무 일반화가 넘어 그들이 배운 무엇을.

인식 한계는 정확하게 정의하기 어렵습니다. 단순히 학습 데이터의 다양성이 한계를 뛰어 넘고 있다고 말하고 싶습니다.

간단한 대답은 "아니오, 이미지에만 국한되지 않습니다"입니다. CNN은 자연 언어 처리에도 사용되고 있습니다. ( 소개는 여기 를 참조 하십시오 .)

그래픽 데이터에 적용되는 것을 보지 못했지만 보지 못했습니다. 시도해야 할 몇 가지 분명한 점이 있으므로 작동한다고 낙관적입니다.

길쌈 신경 네트워크 게임 (예에서, 이미지 인식뿐만 아니라 비디오 분석 및 인식, 자연 언어 처리를위한뿐만 아니라 적용 할 수있는 이동 ) 또는를위한 신약 개발 분자 생물학 단백질 사이의 상호 작용 예측하여 ^위키를 .

따라서보다 완전하게 연결된 레이어에 연결된 회선 및 서브 샘플링 레이어를 사용하여 다양한 문제에 사용할 수 있습니다. 동일한 수의 숨겨진 장치를 가진 완전히 연결된 네트워크보다 적은 수의 매개 변수를 가지고 있기 때문에 훈련하기가 더 쉽습니다. ^UFLDL

컨볼 루션 신경망은 패턴이 국소 적으로 상관되고 번역 가능한 곳이면 어디든 사용할 수 있습니다 (이동 가능). CNN에는 입력의 모든 곳에서 특정 로컬 패턴을 찾는 필터가 포함되어 있기 때문입니다. 그림, 텍스트, 시계열 등에서 로컬 및 번역 가능한 패턴을 찾을 수 있습니다.

데이터가 관련없는 순서를 가진 기능 모음과 비슷하다면 CNN을 사용하는 것이 이치에 맞지 않습니다. 이 경우 입력 벡터에서 더 멀리 떨어져있는 지형지 물이 포함 된 패턴을 감지하는 데 문제가있을 수 있습니다. 정보를 잃지 않고 입력 벡터의 데이터 포인트를 재정렬 할 수있는 경우 데이터에서 로컬 및 변환 가능한 패턴을 찾을 수 없습니다.