New-Tech Magazine | Feb 2017 | Digital Edition

IoT מוסף מיוחד

לכל גילוי (שימושי כאשר מנסים Label ו- לגלות מספר אובייקטים - תמרור עצור, תמרור תן זכות קדימה, תמרור מגבלת מהירות וכדומה).

trainNetwork האימון באמצעות הפקודה Parallel Computing (מצריך גם את כלי ה- CUDA וכן כרטיס מסך תומך Toolbox Compute Capability בעל nVIDIA תוצרת ומעלה), ולצאת להפסקת קפה... 3.0 של

ביצוע איטרציות שכאלה, למשל - קל לבחון Classification מגוון מסווגים באמצעות ה- שהוזכר לעיל בהקשר של שימוש Learner בתור מחלץ פיצ'רים. CNN ב- אלגוריתמים המכילים מרכיבים פעמים נוספים פרט ללמידה עמוקה - רבות הלמידה העמוקה היא רק חלק ממשימה גדולה יותר. למשל, באפליקציות מעולם הראיה הממוחשבת, לפני שמסווגים מסוים, בכלל צריכים Label אובייקט ל- לאתר אותו, לבצע פעולות עיבוד לתמונה , כפלטפורמה MATLAB וכו'. סביבת המאגדת עשרות כלים ממגוון תחומי יישום - מאפשרת לשלב בקלות את מרכיב הלמידה העמוקה כחלק מהאלגוריתם הכללי השלם. לעתים קרובות הפצת התוצאות - אינן מבוצעות Deep Learning משימות ה- רק לשם מחקר, אלא יש רצון לייצר אלגוריתם עצמאי לאחר בניית המסווג/ MATLAB Compiler הגלאי. בעזרת כלי ה-/ ניתן לייצר R 2016 b , החל מגרסת SDK מתוך פונקציונליות הלמידה EXE / DLL , ולהפעיל את MATLAB העמוקה של סביבת התוצר על מחשבים בהם לא מותקנת . MATLAB תוכנת

אתגרים בעבודה עם Deep Learning

גילוי אובייקטים בשיטת R-CNN

עבודה בגישת למידה עמוקה יכולה להיות מספקת MATLAB די מאתגרת, וסביבת סט גדול של כלים ואסטרטגיות אשר נותן מענה לחלק ניכר מהאתגרים בהם אפשר להיתקל: טעינת המידע וניהולו - באפליקציות מעולם הראיה הממוחשבת, נדרשים לרוב לטעון ולנהל סטים מאוד ים שלהם. Label גדולים של תמונות, עם ה- על מנת להתמודד עם המשימה, מומלץ (מתוך imageSet להשתמש בפקודה ), וכן Computer Vision System Toolbox ה- splitEachLabel להיעזר בפונקציות MATLAB אשר נוספו ל- countEachLabel ו- . R 2016 a בגרסת בניה של סיבוכיות חישובית - אלגוריתם למידת מכונה יכולה להיות מאוד תובענית מבחינה חישובית, והרבה על GPU פעמים צריך לדעת כיצד לעבוד עם מנת להאיץ את תהליכי הלימוד באמצעות MATLAB יכולות עיבוד מקביליות. בסביבת די אינטואיטיבי ולעתים GPU השימוש ב- אפילו "שקוף", כך שלא נדרשת היכרות עם חומרה זו לצורך קבלת שיפור בזמני הריצה. MATLAB סביבת - Trial and Error מאפשרת להשתמש באלגוריתמים שונים אפילו ללא ידע Deep Learning מעולם ה- רב בתחום, ועדיין - לקבל תוצאות מרשימות. ברוב המקרים לא מצליחים למצוא פתרון לבעיה "על הניסיון הראשון", ונדרשלבצעמספראיטרציותעדההתכנסות מקלה על MATLAB לפתרון הנכון. סביבת

, או בקיצור Regions Proposal + CNN , זו שיטה לגילוי אובייקטים R - CNN - כדי לסווג אזורים CNN שמשתמשת ב- בתמונות. באופן כללי - האלגוריתם, בשלב הראשון, מציע כל מיני אזורים מעניינים בתמונה. בשלב השני - הוא מכניס כל איזור מאומן, כדי לחלץ פיצ'רים. ואז CNN לתוך בשלב השלישי - הוא מכניס את הפיצ'רים של כל איזור למסווג, כדי לקבוע מה יש בו. ומכיוון שאנו לא מסווגים כל איזור Sliding אפשרי (כמו שהיה קורה עם לדוגמה), אלא נותנים לגלאי לעבד Window רק אזורים אשר סביר שיכילו אובייקט - זה מקטין משמעותית את הסיבוכיות החישובית. Computer נוספה לכלי ה- R 2016 b בגרסת הפקודה Vision System Toolbox אשר בעזרתה trainRCNNObjectDetector ניתן לאמן גלאי אובייקטים בשיטת (הפקודה מחייבת רישיונות R - CNN Statistics and Machine Learning לכלים Toolbox , Parallel Computing Toolbox , וכן כרטיס Neural Network Toolbox ו- בעל nVIDIA תוצרת CUDA מסך תומך ומעלה או 3.0 של Compute Capability ). כמו כן, נוספה cores מחשב בעל מספר אשר פועלת על detect לכלי מתודת bounding box הגלאי ומחזירה את ה- שנותן מדד 1- ל 0 של האובייקט, ציון בין למידת הביטחון בגילוי (אפשר להחליט שמתעלמים מגילויים שהציון שלהם נמוך),

אשר מתוכננות לצאת MATLAB- בגרסאות ה צפויים חידושים משמעותיים 2017 בשנת Deep- ויכולות חדשות נוספות בתחום ה Release Notes- , ניתן להתעדכן ב Learning של הכלים הרלוונטיים וליצור קשר עם חברת סיסטמטיקס לצורך התנסות בכלים.

רועי פן, מהנדס אפליקציה מתמחה Deep learning בתחום

75 l New-Tech Magazine