కన్వల్యూషనల్ న్యూరల్ నెట్వర్క్లు (CNNలు) మొదట కంప్యూటర్ విజన్ రంగంలో ఇమేజ్ రికగ్నిషన్ ప్రయోజనం కోసం రూపొందించబడ్డాయి. ఈ నెట్వర్క్లు విజువల్ డేటాను విశ్లేషించడంలో అత్యంత ప్రభావవంతమైనవిగా నిరూపించబడిన కృత్రిమ న్యూరల్ నెట్వర్క్ యొక్క ప్రత్యేక రకం. CNNల అభివృద్ధి అనేది చిత్రాలను ఖచ్చితంగా వర్గీకరించగల మరియు వర్గీకరించగల నమూనాలను సృష్టించవలసిన అవసరంతో నడపబడింది మరియు ఈ డొమైన్లో వారి విజయం ఆబ్జెక్ట్ డిటెక్షన్, ఇమేజ్ సెగ్మెంటేషన్ మరియు సహజ భాషా ప్రాసెసింగ్ వంటి అనేక ఇతర అనువర్తనాల్లో విస్తృతంగా ఉపయోగించబడటానికి దారితీసింది.
CNNలు మానవ మెదడులోని విజువల్ కార్టెక్స్ యొక్క నిర్మాణం మరియు కార్యాచరణ ద్వారా ప్రేరణ పొందాయి. విజువల్ కార్టెక్స్ వలె, CNNలు ఇన్పుట్ డేటా యొక్క విభిన్న అంశాలను ప్రాసెస్ చేసే ఇంటర్కనెక్టడ్ న్యూరాన్ల యొక్క బహుళ లేయర్లను కలిగి ఉంటాయి. CNNల యొక్క ముఖ్య ఆవిష్కరణ ఏమిటంటే, మాన్యువల్ ఫీచర్ ఇంజనీరింగ్ అవసరాన్ని తొలగిస్తూ, చిత్రాల నుండి సంబంధిత లక్షణాలను స్వయంచాలకంగా నేర్చుకునే మరియు సంగ్రహించే వారి సామర్థ్యం. అంచులు, మూలలు మరియు అల్లికలు వంటి వివిధ దృశ్య నమూనాలు మరియు లక్షణాలను గుర్తించడానికి ఇన్పుట్ ఇమేజ్కి ఫిల్టర్లను వర్తింపజేసే కన్వల్యూషనల్ లేయర్ల ఉపయోగం ద్వారా ఇది సాధించబడుతుంది.
CNNలలో మొదటి పురోగతి Yann LeCun మరియు ఇతరులచే LeNet-5 ఆర్కిటెక్చర్ పరిచయంతో వచ్చింది. 1998లో. LeNet-5 ప్రత్యేకంగా చేతితో వ్రాసిన అంకెల గుర్తింపు కోసం రూపొందించబడింది మరియు MNIST డేటాసెట్లో విశేషమైన పనితీరును సాధించింది, ఇది ఇమేజ్ రికగ్నిషన్ అల్గారిథమ్లను మూల్యాంకనం చేయడానికి విస్తృతంగా ఉపయోగించే బెంచ్మార్క్ డేటాసెట్. LeNet-5 చిత్రాల నుండి క్రమానుగత లక్షణాలను సంగ్రహించడంలో CNNల శక్తిని ప్రదర్శించింది, స్కేల్, రొటేషన్ మరియు అనువాదంలో వైవిధ్యాల సమక్షంలో కూడా ఖచ్చితమైన వర్గీకరణను అనుమతిస్తుంది.
అప్పటి నుండి, CNNలు గణనీయంగా అభివృద్ధి చెందాయి, లోతైన మరియు సంక్లిష్టమైన నిర్మాణాలు అభివృద్ధి చేయబడ్డాయి. అలెక్స్ క్రిజెవ్స్కీ మరియు ఇతరులచే అలెక్స్ నెట్ ఆర్కిటెక్చర్ను ప్రవేశపెట్టడం ఒక ముఖ్యమైన పురోగతి. 2012లో. అలెక్స్నెట్ ఇమేజ్నెట్ లార్జ్ స్కేల్ విజువల్ రికగ్నిషన్ ఛాలెంజ్ (ILSVRC)ని గెలవడం ద్వారా ఇమేజ్ వర్గీకరణలో పురోగతిని సాధించింది. ఈ విజయం ఇమేజ్ రికగ్నిషన్ టాస్క్లలో CNNలను విస్తృతంగా స్వీకరించడానికి మార్గం సుగమం చేసింది.
CNNలు ఇతర కంప్యూటర్ విజన్ టాస్క్లకు కూడా విజయవంతంగా వర్తింపజేయబడ్డాయి. ఉదాహరణకు, ఆబ్జెక్ట్ డిటెక్షన్లో, ఇమేజ్లోని వస్తువులను స్థానికీకరించడానికి మరియు వర్గీకరించడానికి CNNలను అదనపు లేయర్లతో కలపవచ్చు. రాస్ గిర్షిక్ మరియు ఇతరులు ప్రవేశపెట్టిన ప్రసిద్ధ ప్రాంతం-ఆధారిత కన్వల్యూషనల్ న్యూరల్ నెట్వర్క్ (R-CNN). 2014లో అటువంటి నిర్మాణానికి ఒక ఉదాహరణ. R-CNN ఫీచర్ వెలికితీత కోసం CNNల శక్తిని పెంచడం మరియు ప్రాంతీయ ప్రతిపాదన పద్ధతులతో కలపడం ద్వారా ఆబ్జెక్ట్ డిటెక్షన్ బెంచ్మార్క్లపై స్టేట్ ఆఫ్ ది ఆర్ట్ ఫలితాలను సాధించింది.
కన్వల్యూషనల్ న్యూరల్ నెట్వర్క్లు మొదట కంప్యూటర్ విజన్ రంగంలో ఇమేజ్ రికగ్నిషన్ పనుల కోసం రూపొందించబడ్డాయి. వారు చిత్రాల నుండి సంబంధిత లక్షణాలను స్వయంచాలకంగా నేర్చుకొని, మాన్యువల్ ఫీచర్ ఇంజనీరింగ్ అవసరాన్ని తొలగించడం ద్వారా రంగంలో విప్లవాత్మక మార్పులు చేశారు. CNNల అభివృద్ధి ఇమేజ్ వర్గీకరణ, ఆబ్జెక్ట్ డిటెక్షన్ మరియు అనేక ఇతర కంప్యూటర్ విజన్ టాస్క్లలో గణనీయమైన పురోగతికి దారితీసింది.
సంబంధించి ఇతర ఇటీవలి ప్రశ్నలు మరియు సమాధానాలు EITC/AI/ADL అడ్వాన్స్డ్ డీప్ లెర్నింగ్:
- మెషిన్ లెర్నింగ్లో మనం ఆప్టిమైజేషన్లను ఎందుకు వర్తింపజేయాలి?
- ఓవర్ ఫిట్టింగ్ ఎప్పుడు జరుగుతుంది?
- కన్వల్యూషనల్ న్యూరల్ నెట్వర్క్లు కన్వల్యూషనల్ సీక్వెన్స్ టు సీక్వెన్స్ మోడల్స్లో ఉపయోగించినట్లుగా, కాలక్రమేణా కన్వల్యూషన్లను చేర్చడం ద్వారా సీక్వెన్షియల్ డేటాను నిర్వహించగలదా?
- జెనరేటివ్ అడ్వర్సరియల్ నెట్వర్క్లు (GANలు) జనరేటర్ మరియు వివక్షత ఆలోచనపై ఆధారపడతాయా?