Métricas de invarianza transformacional para redes neuronales convolucionales
Las Redes Neuronales son los modelos de aprendizaje automático con mejor desempeño en la actualidad en una gran variedad de problemas. En particular, las Redes Convolucionales, es decir, Redes Neuronales que utilizan capas convolucionales, son el estado del arte en la mayoría de los problemas de vis...
Guardado en:
Autores principales: | , |
---|---|
Formato: | Articulo Comunicacion |
Lenguaje: | Español |
Publicado: |
2021
|
Materias: | |
Acceso en línea: | http://sedici.unlp.edu.ar/handle/10915/117793 https://revistas.unlp.edu.ar/InvJov/article/view/11780 |
Aporte de: |
id |
I19-R120-10915-117793 |
---|---|
record_format |
dspace |
spelling |
I19-R120-10915-1177932023-04-28T13:24:20Z http://sedici.unlp.edu.ar/handle/10915/117793 https://revistas.unlp.edu.ar/InvJov/article/view/11780 issn:2314-3991 Métricas de invarianza transformacional para redes neuronales convolucionales Transformational Invariance for Neural Networks Quiroga, Facundo Manuel Lanzarini, Laura Cristina 2021 2021-04-26T13:42:14Z es Informática Redes Neuronales Invarianza Equivarianza Métrica Las Redes Neuronales son los modelos de aprendizaje automático con mejor desempeño en la actualidad en una gran variedad de problemas. En particular, las Redes Convolucionales, es decir, Redes Neuronales que utilizan capas convolucionales, son el estado del arte en la mayoría de los problemas de visión por computadora. Muchos de los problemas para los cuales las Redes Convolucionales son el estado del arte requieren que los modelos se comporten de cierta manera ante transformaciones de su entrada. Existen dos propiedades fundamentales que capturan dicho requerimiento; la invarianza y la equivarianza. La invarianza nos dice que la salida del modelo no es afectado por las transformaciones. La equivarianza permite que la salida sea afectada, pero deuna manera controlada y útil. Si bien los modelos tradicionales de Redes Convolucionales son equivariantes a la traslación por diseño, no son ni invariantes a dicha transformación ni equivariantes a otras en los escenarios usuales de entrenamiento y uso. Existen dos opciones principales para otorgar invarianza o equivarianza a un modelo de red neuronal. La tradicional ha sido modificar el modelo para dotarlo de esas propiedades. La otra opción es entrenarlo con aumentación de datos utilizando como transformaciones el mismo conjunto al que se desea la equivarianza. Universidad Nacional de La Plata Articulo Comunicacion http://creativecommons.org/licenses/by/4.0/ Creative Commons Attribution 4.0 International (CC BY 4.0) application/pdf 558-559 |
institution |
Universidad Nacional de La Plata |
institution_str |
I-19 |
repository_str |
R-120 |
collection |
SEDICI (UNLP) |
language |
Español |
topic |
Informática Redes Neuronales Invarianza Equivarianza Métrica |
spellingShingle |
Informática Redes Neuronales Invarianza Equivarianza Métrica Quiroga, Facundo Manuel Lanzarini, Laura Cristina Métricas de invarianza transformacional para redes neuronales convolucionales |
topic_facet |
Informática Redes Neuronales Invarianza Equivarianza Métrica |
description |
Las Redes Neuronales son los modelos de aprendizaje automático con mejor desempeño en la actualidad en una gran variedad de problemas. En particular, las Redes Convolucionales, es decir, Redes Neuronales que utilizan capas convolucionales, son el estado del arte en la mayoría de los problemas de visión por computadora. Muchos de los problemas para los cuales las Redes Convolucionales son el estado del arte requieren que los modelos se comporten de cierta manera ante transformaciones de su entrada. Existen dos propiedades fundamentales que capturan dicho requerimiento; la invarianza y la equivarianza. La invarianza nos dice que la salida del modelo no es afectado por las transformaciones. La equivarianza permite que la salida sea afectada, pero deuna manera controlada y útil. Si bien los modelos tradicionales de Redes Convolucionales son equivariantes a la traslación por diseño, no son ni invariantes a dicha transformación ni equivariantes a otras en los escenarios usuales de entrenamiento y uso. Existen dos opciones principales para otorgar invarianza o equivarianza a un modelo de red neuronal. La tradicional ha sido modificar el modelo para dotarlo de esas propiedades. La otra opción es entrenarlo con aumentación de datos utilizando como transformaciones el mismo conjunto al que se desea la equivarianza. |
format |
Articulo Comunicacion |
author |
Quiroga, Facundo Manuel Lanzarini, Laura Cristina |
author_facet |
Quiroga, Facundo Manuel Lanzarini, Laura Cristina |
author_sort |
Quiroga, Facundo Manuel |
title |
Métricas de invarianza transformacional para redes neuronales convolucionales |
title_short |
Métricas de invarianza transformacional para redes neuronales convolucionales |
title_full |
Métricas de invarianza transformacional para redes neuronales convolucionales |
title_fullStr |
Métricas de invarianza transformacional para redes neuronales convolucionales |
title_full_unstemmed |
Métricas de invarianza transformacional para redes neuronales convolucionales |
title_sort |
métricas de invarianza transformacional para redes neuronales convolucionales |
publishDate |
2021 |
url |
http://sedici.unlp.edu.ar/handle/10915/117793 https://revistas.unlp.edu.ar/InvJov/article/view/11780 |
work_keys_str_mv |
AT quirogafacundomanuel metricasdeinvarianzatransformacionalpararedesneuronalesconvolucionales AT lanzarinilauracristina metricasdeinvarianzatransformacionalpararedesneuronalesconvolucionales AT quirogafacundomanuel transformationalinvarianceforneuralnetworks AT lanzarinilauracristina transformationalinvarianceforneuralnetworks |
_version_ |
1765659802669678592 |