Torên neuralî yên konvolutional (CNN) yekem car bi armanca naskirina wêneyê di warê dîtina komputerê de hatine çêkirin. Van toran celebek pispor a tora neuralî ya çêkirî ne ku di analîzkirina daneyên dîtbarî de îsbat kiriye ku pir bi bandor e. Pêşveçûna CNN-ê ji ber hewcedariya afirandina modelên ku bikarin wêneyan bi rengek rast dabeş bikin û kategorîze bikin hate rêve kirin, û serkeftina wan di vê qadê de bûye sedema karanîna wan a berbelav di cûrbecûr sepanên din de, mîna vedîtina tiştan, dabeşkirina wêneyan, û tewra jî pêvajoyek zimanê xwezayî.
CNN ji avahî û fonksiyona korteksa dîtbar a di mêjiyê mirovan de îlhama xwe digirin. Mîna korteksa dîtbar, CNN ji gelek qatên neuronên bi hev ve girêdayî pêk tê ku aliyên cihêreng ên daneya têketinê pêvajoyê dikin. Nûbûniya sereke ya CNN di kapasîteya wan de ye ku bixweber fêr bibin û taybetmendiyên têkildar ji wêneyan derxînin, hewcedariya endezyariya taybetmendiya destan ji holê rakin. Ev bi karanîna qatên hevgirtî, yên ku fîlteran li ser wêneya têketinê bicîh dikin da ku celeb û taybetmendiyên dîtbarî yên cihêreng, wek kevçî, quncik, û tevnvîseyan tespît bikin, tê bidestxistin.
Serkeftina yekem di CNN de bi danasîna mîmariya LeNet-5 ji hêla Yann LeCun et al. di sala 1998 de. LeNet-5 bi taybetî ji bo naskirina jimareya destnivîsî hate sêwirandin û performansa berbiçav li ser databasa MNIST bi dest xist. LeNet-5 hêza CNN-ê di girtina taybetmendiyên hiyerarşîk ji wêneyan de destnîşan kir, tewra dabeşkirina rast jî di hebûna cûrbecûr pîvan, zivirandin û wergerandinê de destnîşan kir.
Ji hingê ve, CNN bi girîngî pêş ketine, bi mîmariyên kûrtir û tevlihevtir têne pêşve xistin. Yek pêşkeftinek berbiçav danasîna mîmariya AlexNet ji hêla Alex Krizhevsky et al. di sala 2012-an de. AlexNet di dabeşkirina wêneyan de serkeftinek bi dest xist bi serketina Pirsgirêka Nasnameya Dîtbar a Mezin a ImageNet (ILSVRC) bi rêjeya xeletiyek berbiçav li gorî nêzîkatiyên berê. Vê serketinê rê li ber pejirandina berbelav a CNN-ê di karên naskirina wêneyan de vekir.
CNN di heman demê de ji bo karên din ên dîtina komputerê jî bi serfirazî hatine sepandin. Mînakî, di vedîtina tiştan de, CNN dikarin bi qatên pêvek re werin berhev kirin da ku tiştên di hundurê wêneyek de cîh bikin û dabeş bikin. Tora Neuralî ya Neuralî ya Navdar-based Herêm (R-CNN) ku ji hêla Ross Girshick et al. di sala 2014 de mînakek mîmariyek weha ye. R-CNN bi karanîna hêza CNN-ê ji bo derxistina taybetmendiyê û berhevkirina wê bi rêbazên pêşniyara herêmê re encamên herî nûjen li ser pîvanên tespîtkirina tiştan bi dest xist.
Tora neuralî ya konvolutional yekem car ji bo karên naskirina wêneyê di warê dîtina komputerê de hatine çêkirin. Wan bi xweber fêrbûna taybetmendiyên têkildar ji wêneyan, ji holê rakirina hewcedariya endezyariya taybetmendiya destan li qadê şoreş kir. Pêşkeftina CNN-ê di dabeşkirina wêneyan, tespîtkirina tiştan û karên dîtbarî yên din ên cihêreng de rê li pêşkeftinên girîng girt.
Pirs û bersivên din ên vê dawiyê di derbarê EITC/AI/ADL Fêrbûna Kûr a Pêşkeftî:
- Çima pêdivî ye ku em di fêrbûna makîneyê de xweşbîniyan bicîh bînin?
- Kengî zêdebûn çêdibe?
- Ma Tora Neuralî ya Tevlihevî dikare daneyên rêzdar bi tevlêkirina pevgirêdan bi demê re, wekî ku di modelên Rêzeya Rêzeya Rêzgirtinê de tê bikar anîn, bi rê ve bibe?
- Ma Torên Dijbera Generative (GAN) xwe dispêrin ramana jenerator û cihêkar?