ニュートラルネットワークの学習の制御

学習セット

ネットワークの学習フェーズに影響を与える最大で唯一の決定要素は、学習セットの構成です。ネットワークの学習フェーズを制御するための最善の方法は、ツール用の学習画像サンプルセットを構築することです。この方法で、ツールが画像/ビューを正しく汎化しているかどうかをユーザが判断できるカテゴリに分類します。

検証損失 (高詳細モード)

高詳細モード (分類 (緑) 高詳細モードと解析 (赤) 高詳細モード) では学習時に検証を行うため、検証損失をモニタしてネットワーク学習を制御できます。学習中に 1/8 エポックが終了するたび、ニューラルネットワークでは以前に設定された検証セットから損失値を計算します。

検証損失は、分類 (分類 (緑) 高詳細モード) またはセグメンテーション (解析 (赤) 高詳細モード) の精度における、学習済みネットワークのパフォーマンスを表します。一般的に損失が小さいほどネットワークが優れていることを意味します。したがって、この値は 0 に近いほど優れていることになります。

ただし、ネットワークのパフォーマンスが実際にどの程度優れいてるかを完全に把握するには、学習済みネットワークがいくつかのデータ (テストデータ) でオーバーフィットをどの程度防ぐかをテストする必要があります。

分類 (緑) 高詳細モードの検証損失は、各ビューで分類が実行されるときにビューごとに計算されます。一方、解析 (赤) 高詳細モードの検証損失は、「良好」または「欠陥」のバイナリ分類であるセグメンテーションを各ピクセルで実行するときに、ピクセルごとに計算されます。

 

検証損失 (%)

• 分類 (緑) 高詳細モード

  • 100 - 各クラスの分類適合率の平均値

• 解析 (赤) 高詳細モード

  • 100 - 「欠陥」クラスの再現率 + 40 x (100 - 「良好」クラスの再現率)