У нейросетей удивительно простая стратегия классификации изображений

[andreymal]

Классика

https://habr.com/en/post/259191/

[worldmind]

Тоже вспомнил, ещё несколько ссылок вспоминается, например недавняя хотя она косвенно связана, или вот и вот.

[sved]

Я тоже сначала подумал что ягуар

[masai]

Поэтому сети и делают глубокими. Если использовать свёртки 3×3, то выходы первого слоя будут оперировать информацией из области 3×3. А выходы второго слоя — из области 3×3 выходов первого, то есть будут использовать информацию из области 5×5 исходного изображения. И так далее.

[masai]

Но что это туфли не соседа, случайно попавшего в кадр, и машина тоже не чужая — никакая CNN не поймет, пока не обучится всему тому, чему обучился человек.

Сети достаточно хорошо решают задачу instance segmentation, в которой выделяют на изображении пиксели, соответствующие разным людям.

Про «никакая CNN» — достаточно сильное утверждение. Можете подкрепить его ссылками на исследования или практическими примерами?

[darkAlert]

что значит форму прически не может?! Может! Я занимаюсь этой задачей. И скажу, что может! Это не сложно, в таких задачах главное — данные.

[masai]

достаточно, чтобы достичь точности в 87%, войдя в top-5

На самом деле в оригинале речь о другом. Top-5 accuracy — это метрика, оценивающая точность сети. Сеть для каждого возможного класса (котики, автомобили и т.д.) выдаёт «вероятность», что на изображении именно этому классу принадлежит изображение. Предсказания затем упорядочиваются. И если в 87 % случаев правильный ответ оказывается среди первых пяти наиболее вероятных, то говорят о 87 % top-5 accuracy.

[daiver19]

Их точность 87 процентов, само абсолютное значение говорит о несостоятельности бенчмарка.

[daiver19]

Ну да, это показано на графике в статье. Мне кажется, что для настоящей генерализации нужно хотя бы на порядок больше данных, при этом по-настоящему разнообразных, т.е. не стандартные «мы применим пару фильтров и увеличим датасет в разы». Для той же рыбы из примера должно быть достаточно фотографий под водой, вместе с другими рыбами, на прилавке, на картинке в книге итд. О чем-то таком собственно и говорится в статье, но без акцента на данных почему-то.