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。学習セットの使用はすべてのツールに共通していますが、High Detail ツールには「検証セット」または「検証データ」と呼ばれる別のデータセットがあり、これは学習セットの一部で、そのデータの量はユーザが選択します。High Detail モードでは、学習フェーズで各モデルの検証損失 (＝検証データから計算された損失) を計算し、パフォーマンスと可用性の観点から最適検証損失をもたらすモデルを最終的に学習の結果として選択します。

検証損失 (High Detail モード)

検証データの目的は、学習の最終的な結果として、学習データから生成された多数のニューラルネットワークモデルの中から最適なモデルを選択することです。この目標を達成するために検証データを採用した学習方法を、ここでは「検証を使用した学習」と呼びます。フォーカスモードツールとは異なり、High Detail モード (分類 (緑) High Detail モードと解析 (赤) High Detail モード) は検証を使用した学習を行うため、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) High Detail モード) またはセグメンテーション (解析 (赤) High Detail 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) High Detail 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) High Detail 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) High Detail の検証損失 (単位: %)

  • 100 - 各クラスの分類適合率の平均値

• 解析 (赤) High Detail の検証損失 (単位: %)

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