Журнал "Системы безопасности" #5, 2019

многоканальное изображение или набор карт признаков. 2. Понижение размерности (Pooling). В про- странственном измерении картинка сжимается в 2–3 раза, что дает инвариантность к неболь- шим поворотам и смещениям, отсечение ненужной информации и очищение шума. 3. Полносвязный слой. В глубине нейросети вектор отображается в вектор. Как правило, в нейросети чередуются свертка и Pooling, затем следуют несколько полносвяз- ных слоев, и на выходе выдается вероятность принадлежности картинки к определенному классу. Примеры использования сверточных нейро- нных сетей уже можно наблюдать в разных областях: l распознавание лиц (идентификация и извлече- ние параметров из лица (пол, возраст, эмо- ции), например, в камерах видеонаблюдения, соцсетях и др.); l медицина (анализ медицинских изображе- ний, выявление аномалий и генетических заболеваний, диагностика по фото); l автопилот (камера на автомобиле наблюдает за происходящим на дороге). С уществует много определений термина Deep Learning. Наиболее точное из них – обучение иерар- хии признаковых представлений, которое включает в себя: 1) признаки (промежуточное представление); 2) обучаемые признаки; 3) иерархию признаков (много уровней) Рекуррентные нейронные сети для обработки последовательностей При работе с последовательностями самый очевидный метод – обрабатывать каждый элемент с помощью алгоритма машинного обучения. Однако в отличие от картинок и векторов, которые никак между собой не связаны, в последовательности важна очеред- ность элементов. Идея рекуррентных нейронных сетей состоит не в том, чтобы каждый раз к входному объ- екту применять одну и ту же нейронную сеть, получать выход и забывать всю историю, а в том, чтобы определенным образом накап- ливать во внутреннем представлении инфор- мацию о тех объектах, которые уже обработа- ны, и распространять ее дальше. Благодаря этому рекуррентные нейронные сети приме- няются во всех областях, где есть тексты и последовательности: l умная клавиатура (подсказывает следующее слово при введении текста); l анализ комментариев (отображает положи- тельные или негативные комментарии в кон- кретное число); l машинный перевод (одна последователь- ность отображается в другую); l чат-боты (помощник "Алиса" – нейросетевой диалог). www.secuteck.ru октябрь – ноябрь 2019 МАШИННОЕ ЗРЕНИЕ В И Д Е О Н А Б Л Ю Д Е Н И Е 83 Рис. 4. Сверточная нейронная сеть Рис. 6. Типы слоев в сверточной нейронной сети Рис. 3. Обучение представления Рис. 5. Иерархия признаков