Počítačové videnie dnes (bonus)

Zhrnutie prednášky

Bonusová prednáška, ktorá sa neskúša, má motivovať k ďalšiemu štúdiu a k predmetu Pokročilé metódy počítačového videnia. Začína biologickou inšpiráciou na príklade muchy domácej, ktorá má zložené oči vhodné na vnímanie optického toku a mozog s približne 100 000 neurónmi. Prednášajúci potom opisuje biologický neurón a McCullochov-Pittsov model z roku 1943 ako váženú sumu vstupov s prahovou aktiváciou. Porovnáva aktivačné funkcie (prahová, sigmoida, ReLU), vysvetľuje problém miznúceho gradientu a nutnosť nelinearity. Na príklade lineárnej regresie ukazuje úlohu váh a biasu a chybovú funkciu v podobe strednej kvadratickej chyby. Na úvod ešte informoval o miernej aktualizácii skúšobných otázok a predtermíne v zápočtovom týždni.

• - Prednáška je bonusová a nebude sa skúšať; slúži ako motivácia pre predmet Pokročilé metódy počítačového videnia.
• - Mucha domáca zvláda zložité lietanie s mozgom z približne 100 000 neurónov vďaka zloženým očiam a výpočtu optického toku.
• - Matematický model neurónu (McCulloch a Pitts, 1943) je vážená suma vstupov s aktivačnou funkciou; znalosť je uložená v synaptických váhach.
• - Sigmoida trpí problémom miznúceho gradientu, preto sa používa ReLU, ktorá umožňuje šírenie učiaceho signálu do hlbších vrstiev.
• - Aktivačné funkcie musia byť nelineárne, aby neurónová sieť mohla aproximovať nelineárne funkcie.
• - Pri regresii sa funkcia hľadá tak, aby minimalizovala chybu; jeden neurón s lineárnou aktiváciou vytvára priamku y = mx + b.
• - Bias umožňuje, aby priamka neprechádzala nutne počiatkom súradníc.
• - Najbežnejšou chybovou funkciou je stredná kvadratická chyba (MSE).

Zhrnutie pripravené s pomocou AI z prepisu videa.