لى فنغ شبكة AI Yanxishe الصحافة، في Kaggle اختتمت مؤخرا "شتات أويل / C-CORE فيض مصنف التحدي" (صورة فيض مسابقة التصنيف) من قبل ديفيد أوستن وتكوين وى مين وانغ للفريق يأتي على رأس القائمة في ضربة واحدة، الحصول على مكافأة $ 25،000. ووفقا للتقارير، حلولها يمكن تطبيقها على نحو فعال في الحياة الحقيقية، لضمان أكثر أمانا السفن الشراعية في مياه خطرة، والحد من الأضرار التي لحقت السفن والبضائع، إلى سقوط ضحايا تجنب.

ووفقا للموقع الرسمي Kaggle، المسابقة تصنيف الصور الجليدي هو أهم سباق Kaggle تصنيف الصور - معظم الفرق لديها تاريخ من المشاركة. في جميع بيانات المنافسة، في المرتبة البطولة رقم 7 الحرارة.

منذ وقت ليس ببعيد، أجرت وسائل الاعلام الاجنبية لديفيد أوستن مقابلة متعمقة، في مقابلة، ناقشوا القضايا التالية:

• ما فيض المنافسة تصنيف الصورة.

• تجهيز السيناريو بطولة طريقة، الخوارزمية الأساسية والتكنولوجيا ذات الصلة؛

• أكبر مشكلة واجهتها في المسابقة والحلول؛

• ينصح به للأشخاص الذين يرغبون في المشاركة في المسابقة Kaggle.

ما يلي هو مضمون محددة من المقابلة، شبكة لى فنغ AI Yanxishe الانتهاء من المترجم:

الشكل 1: أهداف البعثة Kaggle التحدي تصنيف فيض هو خلق المصنف الصورة، الصورة المدخلة الأقمار الصناعية إلى جبل جليدي أو سفينة

Q: مرحبا، ديفيد، شكرا لك تقبل كثيرا مقابلتي، تهانينا لكم فاز بالمركز الأول في تصنيف الصور فيض النتائج تحدي جيدة. كيف تصبح مهتمة في رؤية الكمبيوتر وعمق تعلم ذلك؟

A: الفائدة في العامين الماضيين، يا نموا في التعلم العمق. لأنني أرى الناس استخدامها للحصول على نتائج مذهلة من البيانات. أنا الأبحاث المتطورة والتطبيق العملي للعمق الميدان مهتم جدا في التعلم، وأعتقد أن Kaggle هو منصة كبيرة. من خلال اللعبة، وأنا يمكن أن تبقي على القدرة على التحكم في التكنولوجيا المتطورة، يمكنك أن تجرب هذه التكنولوجيا الجديدة في المشهد المناسب.

Q: قبل المشاركة في هذه المسابقة، وكيف خلفية أكاديمية في مجال الرؤية الكمبيوتر وآلة التعلم من؟ قبل أن تشارك في أي دولة أخرى Kaggle الاعتراض عليه؟

A: قبل نحو عشر سنوات، أول اتصال لي مع تعلم الآلة، عندما بدأت التدرج التعلم تعزيز شجرة والمعرفة عشوائية المتعلقة بالغابات وتطبيقه على مشاكل التصنيف. في السنوات الأخيرة، وبدأ التركيز أكثر على نطاق واسع على عمق التعلم والكمبيوتر الرؤية. قبل أقل من عام، بدأت في المشاركة في مسابقة Kaggle، وهذا هو وسيلة لتعزيز المهارات، وهذه اللعبة هي المرة الثالثة للمشاركة في المنافسة Kaggle.

الشكل 2: فيض

Q: الحديث عن فيض يعد تصنيف هذا التحدي؟ ما الذي دفعك للمشاركة في هذه المسابقة؟

A: فيض تصنيف الصور التحدي مشكلة تصنيف الثنائية، لعبة تتطلب المتنافسين للفصل بين صور الأقمار الصناعية في منطقة قارب وفيض. هذا العمل له أهمية خاصة في مجالات استكشاف الطاقة، لأنها تتيح لنا تحديد وتجنب مثل هذه التهديدات مماثلة لرقاقه الثلج.

البيانات في هذه المسابقة هناك نوعان من أماكن مثيرة للاهتمام بشكل خاص:

• أولا، حجم صغير نسبيا من مجموعة البيانات، وتدريب مجموعة صور فقط 1604. ونتيجة لذلك، من جهة نظر الأجهزة، هو عتبة منخفضة للغاية للمشاركة في المسابقة. ومع ذلك، من ناحية أخرى، واستخدام بيانات محدودة لإكمال المهمة تصنيف الصور صعب للغاية.

• ثانيا، إذا كانت هذه الصور لمراقبة بالعين المجردة، وبدا وكأنه مخطط "الثلج" الذي يظهر على شاشة التلفزيون - حفنة من الضجيج القمامة. البشر لا يمكن أن يرى بالعين المجردة تماما من الصورة التي هي السفينة، وهي صورة فيض.

الشكل (3): العين البشرية من الصعب تحديد بدقة الصورة الإدخال "جبل الجليد" أو "المركب"

ناهيك عن العين البشرية على التمييز بدقة فئة صورة من الصعب جدا. وأعتقد أن هذا هو فرصة جيدة - اختبار التعلم عمق ورؤية الكمبيوتر يمكن أن تفعل أشياء لا يستطيع البشر القيام به.

الشكل 4: الفريق الفائز باستخدام التفاف متكاملة هندسة الشبكات العصبية

س: ما دعونا مناقشة قليلا من بعض المشاكل التقنية. أخبرنا عن طرق معالجة البيانات، الخوارزميات والتكنولوجيات ذات الصلة استراتيجية الفوز الذي استخدمته ذلك؟

ج: حسنا، لدينا طريقة معالجة البيانات الشامل والأسلوب الأكثر تقليدية باستخدام مشاكل في الرؤية الكمبيوتر متشابهة جدا. سوف نقضي بعض الوقت في وقت مبكر لفهم البيانات.

طريقة التعلم غير خاضعة للرقابة هو اسلوبي المفضلة، من خلال دراسة هذه الأنماط، يمكننا أن نقرر ماذا بعد إلى طريقة التعلم العميق لاستخدامها.

في هذه المهمة، يمكن للKNN القياسية (K أقرب جار) الاعتراف تساعد على تحديد هيكل نموذج للإشارة الرئيسية. نحن نستخدم كبير الإلتواء العصبية بنية الشبكة جدا، يحتوي على أكثر من 100 التحول من الشبكة العصبية التفاف على غرار هيكل وVGG، ثم نستخدم مزيج من اثنين من استراتيجية مزج الجشع وصورة أخرى تتكامل ميزات خوارزمية التعلم تأتي نتائج النموذج معا.

هذا يبدو وكأنه وسيلة معقدة للغاية. ولكن تذكر! هنا دالة الهدف هو تقليل عدد الخسائر الخطأ. في هذه المهمة، نحن فقط إضافة بعض نموذج من هذا القبيل، لأنها يمكن أن تقلل من عدد من خسارة لا يحدث في حالة الإفراط في تركيب. لذلك، وهذا هو مثال جيد على الكيفية التي سيتم بها دمج قوة الضعفاء بعد العديد من النماذج تعلم الآلة.

وأخيرا، قمنا بتدريب مرة أخرى العديد من نفسه كما كان من قبل التفاف هندسة الشبكات العصبية، ولكن هنا نحن مجرد بداية لاستخدام مجموعة فرعية مختارة عن طريق التعلم غير خاضعة للرقابة من البيانات الأصلية كمدخل، كما أنه يحسن من أداء نموذجنا.

الشكل 5: أكثر من المناسب هو معظم المشاكل المستعصية التي يواجهونها في هذه اللعبة

س: بالنسبة لك، ما هي المشكلة الأكبر التي واجهتها في هذه المنافسة؟

ج: إن معظم الجزء الصعب من السباق مما لا شك فيه لا صحة نموذج الإفراط المناسب.

أن نكون صادقين، مجموعة البيانات هذه لتصنيف الصور صغيرة جدا، لذلك كان علينا أن تقلق المناسب سيكون مشكلة كبيرة. تحقيقا لهذه الغاية، لدينا للتأكد من جميع النماذج تذهب من خلال 4 أضعاف تصديق متقاطع، على الرغم من أن هذا سوف يزيد من النفقات العامة الحسابية، ولكنها تمكنت من الحد من مخاطر الإفراط في تركيب. وخاصة عند التعامل مع فقدان عدد قليل صارمة للغاية مثل فقدان الوظيفة، تحتاج دائما الالتفات إلى الإفراط في تركيب المشكلة.

س: كم من الوقت يستغرق لتدريب نموذج ذلك؟

A: على الرغم من أننا استخدام التفاف الشبكات العصبية على نطاق واسع، وتستخدم في كل 4 أضعاف التحقق عبر عملية تدريب النموذج، وعملية التدريب يستغرق سوى يوم أو يومين. ليس هناك نموذج واحد للتصديق متقاطع من التدريب يمكن أن تكتمل في غضون دقائق.

س: إذا كان عليك أن تختار واحدة من المسابقة هو الأكثر تقنية الهامة التي تستخدم او نصائح، فماذا تختار؟

A: من دون شك، وكانت أهم خطوة بلا شك حملت تحليل استكشافية في وقت مسبق، من أجل الحصول على فهم أفضل للبيانات.

نتائج تحليل استكشافية تشير إلى أن هناك ولكن ميزة واحدة من بيانات الصورة مهم جدا، ويمكن أن تساعد في القضاء على الكثير من الضوضاء في البيانات.

في رأيي، واحدة من أكثر بسهولة التغاضي في رؤية الكمبيوتر أو مشاكل في التعلم في عمق الخطوة، هو الحاجة إلى فهم البيانات مقدما، واستخدام هذه المعرفة لمساعدتنا على جعل أفضل الخيارات التصميم.

الخوارزمية هي الآن أكثر متوفرة وسهلة للحصول على المراجع، ونحن في كثير من الأحيان بدون تفكير، بوحشية يتم تطبيق خوارزمية بسيطة على هذه المشاكل التي يتعين حلها. ومع ذلك، لم نكن نريد حقا لمسح هذه الخوارزميات ليست هي الخيار الأفضل لهذه المهمة، أو لا تريد أن تعرف ما إذا كانت الاحتياجات من البيانات لتكون بعض المعالجة المناسبة قبل أو بعد التدريب.

يستخدم الفوز حل Tensorflow، Keras، إطار XGBoost: الشكل (6)

س: هل اللعبة، يمكنك اختيار أي الأدوات والمكتبات؟

A: بالنسبة لي شخصيا، أعتقد TensorFlow وKeras هو أفضل لاستخدام، لذلك عند التعامل مع مشاكل في التعلم العميق، أنا أميل لتحديدها.

أما بالنسبة التراص ودعم اثنين من أساليب التعلم المجموعات، وأنا استخدم XGBoost إلى تحقيقه، وهذا لأنني أعرف جيدا ولقد ثبت أن يكون جيدا نتيجة للعملية.

سباق، اعتدت بيئة افتراضية dl4cv بلدي (والذي هو عمق العصبية رؤية شبكة الكمبيوتر المستخدمة في بيئة افتراضية بيثون)، وأضاف XGBoost.

س: بالنسبة للمستخدمين المبتدئين أول مرة للمشاركة في مسابقة Kaggle، لديك أي اقتراحات جيدة؟

A: Kaggle لديها ثقافة المجتمع الكبير، والتي هي لعبة تعتمد على تشغيل هذه الآلية.

هناك الكثير من المنتديات مناقشة المجتمع للاعبين، وهناك مجموعة متنوعة من الطرق التي تمت مناقشتها. إذا رغب اللاعبين، يمكنهم تبادل مدوناتها بها. عند محاولة تعلم طرق ورموز مشتركة لقضايا محددة، والتي سوف تكون مفيدة جدا.

في المرة الأولى التي شاركت في مسابقة Kaggle، وقضيت ساعات في دراستها المقالات في المنتدى وكذلك تعليمات برمجية أخرى ذات جودة عالية، ولقد وجدت هذا ليكون واحدا من أفضل الطرق للتعلم.

Q: كيف تخطط الخطوة التالية؟

A: هناك الكثير من المشاريع للقيام على يدي، ولذا فإنني سوف يكون مشغولا لبعض الوقت. بعض لعبة تبدو Kaggle مثيرة جدا للاهتمام، وحتى ذلك الحين وأنا ربما يعود للمشاركة فيها.

س: إذا أراد القارئ أن أتحدث إليكم، ما هو معلومات الاتصال الخاصة بك؟

ج: إن أفضل وسيلة، ثم، كنت قد كتبت في ملف تعريف المستخدم ينكدين. يمكنك أيضا الاتصال وى مين وانغ خلال ينكدين. في نفس الوقت، وسوف يحضر PyImageConf2018، إذا كنت تريد مني وجها لوجه الاتصال، ثم يمكنك أن تأتي لي.

عبر PyImageSearch

شبكة لى فنغ AI Yanxishe التشطيب مترجم.