✍🏼 👨🏾‍🏭 📰 Réseaux de transformateurs spatiaux dans MATLAB 🈳 🐖 👶🏽

Cet article abordera le sujet de la création de couches personnalisées de réseaux de neurones, en utilisant la différenciation automatique et en travaillant avec des couches d'apprentissage en profondeur standard des réseaux de neurones dans MATLAB sur la base d'un classificateur utilisant un réseau de transformation spatiale.

Le Spatial Transformer Network (STN) est un exemple de modules LEGO différenciables que vous pouvez utiliser pour construire et améliorer votre réseau neuronal. STN, en appliquant une transformation affine pouvant être entraînée avec une interpolation ultérieure, prive les images de l'invariance spatiale. En gros, la tâche de STN est de faire pivoter ou de réduire / agrandir l'image originale afin que le réseau de classificateurs principal puisse identifier plus facilement l'objet souhaité. Un bloc STN peut être placé dans un réseau de neurones convolutifs (CNN), y travaillant pour la plupart indépendamment, en apprenant sur des gradients provenant du réseau principal (pour plus de détails sur ce sujet, voir les liens: Habr et Manuel ).

Dans notre cas, la tâche consiste à classer 99 classes de pare-brise de voiture, mais commençons par quelque chose de plus simple. Afin de nous familiariser avec ce sujet, nous allons prendre la base de données MNIST à partir de nombres manuscrits et construire un réseau de couches neuronales d'apprentissage en profondeur MATLAB et une couche de transformation d'image affine personnalisée (vous pouvez voir la liste de toutes les couches disponibles et leurs fonctionnalités ici ).