深度神經網路非常善於識別物體

原標題：深度神經網路非常善於識別物體

神經網路的複雜關係推理，什麼是關係推理？考慮下面的圖像。幾乎不可能不把它當作對象;球體，立方體等等。我們可以根據構成圖像像素值的數百萬個數字來考慮它。或者圖像中所有邊緣的角度。或者考慮每個10x10像素區域。相反，我們直觀地根據它們識別圖像的對象和原因。

嘗試回答以下問題：「大球體剩下的棕色金屬物體剩下的圓柱體大小是多少？」這是CLEVR數據集中的一個示例問題。為了回答這個問題，你需要考慮物體相對於彼此的相對位置。這種以對象和交互為中心的思維被稱為關係推理，它是人類智能的核心部分。

深度神經網路非常善於識別物體，但是當涉及到他們的相互作用的推理時，即使是最先進的神經網路也在努力。例如，現有技術的卷積網路可以容易地識別上述圖像中的每個對象，但是由於需要關於彼此相關的對象的推理而未能嘗試回答該問題。

關係網路

關係網路（RN）它是一個簡單的模塊，可以為任何神經網路添加關係推理能力。他們將RN添加到其他標準卷積網路中，並在CLEVR數據集上實現超人類性能。

RN是向前邁出的重要一步，但它有一定的局限性。構造它的方式，每個識別的對象只能與其他識別的對象進行一次交互，之後網路必須給出答案。這限制了RN，因為它無法推斷導出的交互，即影響對象B的對象A，而對象A又影響對象C，等等。在RN中，對象A必須直接影響對象C，或者根本不影響對象C.通過與對象B的交互不是一種選擇。

循環關係網路

為了解決這個限制，我們引入了循環關係網路（RRN）。RRN不是僅執行關係推理的單個步驟，而是執行多個步驟。在每個步驟中，每個對象都受到彼此對象的影響，同時還考慮到它自己的先前狀態。這允許交互從一個對象傳播到下一個對象，形成複雜的交互鏈。（歡迎轉載分享）

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！