والشبكات العصبية الثورية الكونية هي فئة من نماذج التعلم العميق المستخدمة على نطاق واسع لتحليل الصور، وهي تستخدم عمليات رياضية لتتعلم تلقائياً سمات البيانات البصرية، والمهام التمكينية مثل التصنيف والكشف والتجزؤ.

العمليات الرياضية الأساسية في مراكز الإحصاء

وتشمل العمليات الأساسية في هذه الشبكات نقل التكنولوجيا، ووظائف تنشيطها، وتجميعها، وطبقات متصلة بها بالكامل، ويشمل ذلك تقطيع مرشح على صورة المدخلات لإنتاج خرائط خاصة، واستيعاب الأنماط المحلية.

وتُحدث وظائف تنشيطية مثل نظام إعادة القانون غير الخطي، مما يتيح للشبكة تعلم الأنماط المعقدة، ويقلل التجميع من الأبعاد المكانية لخرائط السمات، ويقلل من الحمولة الحاسوبية، ويشدّد على السمات السائدة.

التمثيل المواضيعي للثورة

وتُعبَّر عملية التفويض الرياضي عن ما يلي:

Y(i,j) = مجموع X (i+m, j+n) * K(m,n)]

(أ) إذا كانت [(FLT:0]X] هي صورة المدخلات، K هي الكينال أو القذارة، وY] هي خريطة السمات الناتجة، وتتجاوز المبالغ أبعاد النسيج.

عملية التعلم وتحقيق الاستخدام الأمثل

وخلال التدريب، تُحدِّد الشبكة الأوزان التي تستخدم الخوارزميات مثل النسب المتدرج، وتُقيِّم وظيفة الخسارة الفرق بين العلامات المتوقعة والعلامات الفعلية، وتُوجِّه التعديلات لتحسين الدقة.

ويحسب التحلل الرجعي للخسارة فيما يتعلق بكل بارامتر، ويستكمل الأوزان بشكل متكرر للتقليل إلى أدنى حد من الأخطاء.

التطبيقات في تحليل الصور

وتُعتبر هذه الشبكات فعالة في مختلف مهام تحليل الصور، بما في ذلك التعرف على الأجسام وكشف الوجوه والتصوير الطبي، وقدرتها على تعلم السمات الهرمية تجعلها مناسبة للبيانات البصرية المعقدة.