Convolutional neural networks (CNNs) များကို ကွန်ပျူတာအမြင်နယ်ပယ်တွင် ရုပ်ပုံအသိအမှတ်ပြုခြင်းအတွက် ပထမဆုံး ဒီဇိုင်းထုတ်ခဲ့သည်။ ဤကွန်ရက်များသည် အမြင်အာရုံဒေတာကို ခွဲခြမ်းစိတ်ဖြာရာတွင် လွန်စွာထိရောက်ကြောင်း သက်သေပြထားသည့် အာရုံကြောအတု ကွန်ရက်များ အထူးပြုအမျိုးအစားဖြစ်သည်။ CNN များ၏ ဖွံ့ဖြိုးတိုးတက်မှုသည် ပုံများကို တိကျစွာ အမျိုးအစားခွဲခွဲခြားနိုင်သည့် မော်ဒယ်များ ဖန်တီးရန် လိုအပ်ခြင်းကြောင့် မောင်းနှင်ခဲ့ခြင်းဖြစ်ပြီး ဤဒိုမိန်းတွင် ၎င်းတို့၏ အောင်မြင်မှုသည် အရာဝတ္ထုရှာဖွေခြင်း၊ ရုပ်ပုံခွဲခြားခြင်းနှင့် သဘာဝဘာသာစကား လုပ်ဆောင်ခြင်းကဲ့သို့သော အခြားသော အပလီကေးရှင်းအမျိုးမျိုးတွင် ၎င်းတို့၏ ကျယ်ကျယ်ပြန့်ပြန့်အသုံးပြုမှုကို ဖြစ်စေခဲ့သည်။
CNN များသည် လူ့ဦးနှောက်ရှိ အမြင်အာရုံဆိုင်ရာ ကော်တက်စ်၏ တည်ဆောက်ပုံနှင့် လုပ်ဆောင်နိုင်စွမ်းကြောင့် မှုတ်သွင်းခြင်းဖြစ်သည်။ Visual Cortex ကဲ့သို့ပင်၊ CNN များသည် input data ၏ မတူညီသောသွင်ပြင်များကို လုပ်ဆောင်ပေးသည့် အပြန်အလှန်ချိတ်ဆက်နေသော နျူရွန်အလွှာများစွာ ပါဝင်သည်။ CNN ၏ အဓိက ဆန်းသစ်တီထွင်မှုသည် ရုပ်ပုံများမှ သက်ဆိုင်ရာ အင်္ဂါရပ်များကို အလိုအလျောက် သင်ယူနိုင်ပြီး ထုတ်ယူနိုင်သည့် စွမ်းရည်ပေါ်တွင် တည်ရှိပြီး manual feature engineering မလိုအပ်ခြင်းကို ဖယ်ရှားပေးပါသည်။ အစွန်းများ၊ ထောင့်များနှင့် အသွင်အပြင်များကဲ့သို့ အမျိုးမျိုးသော အမြင်ဆိုင်ရာ ပုံစံများနှင့် အင်္ဂါရပ်များကို ရှာဖွေသိရှိနိုင်ရန် ထည့်သွင်းပုံတွင် စစ်ထုတ်မှုများကို ထည့်သွင်းသည့် convolutional အလွှာများကို အသုံးပြုခြင်းဖြင့် ၎င်းကို ရရှိနိုင်သည်။
CNN များတွင် ပထမဆုံးသော အောင်မြင်မှုများသည် Yann LeCun et al မှ LeNet-5 ဗိသုကာလက်ရာကို မိတ်ဆက်ခြင်းနှင့်အတူ လာပါသည်။ 1998 ခုနှစ်တွင် LeNet-5 ကို လက်ရေးဖြင့် ဂဏန်းမှတ်သားခြင်းအတွက် အထူးဒီဇိုင်းထုတ်ထားပြီး MNIST dataset တွင် မှတ်သားဖွယ်ကောင်းသော စွမ်းဆောင်ရည်ကို ရရှိခဲ့ပြီး ရုပ်ပုံအသိအမှတ်ပြုခြင်းဆိုင်ရာ အယ်လဂိုရီသမ်များကို အကဲဖြတ်ရန်အတွက် တွင်ကျယ်စွာအသုံးပြုသည့် စံဒေတာအတွဲဖြစ်သည်။ LeNet-5 သည် ပုံများမှ အထက်တန်းပြအင်္ဂါရပ်များကို ဖမ်းယူရာတွင် CNN ၏ စွမ်းအားကို သရုပ်ပြခဲ့ပြီး စကေး၊ လည်ပတ်မှုနှင့် ဘာသာပြန်ဆိုမှုတွင် ကွဲပြားမှုများ ရှိနေသည့်တိုင် တိကျသော အမျိုးအစားခွဲခြားမှုကို ပေးသည်။
ထိုအချိန်မှစ၍ CNN များသည် ပိုမိုနက်နဲပြီး ပိုမိုရှုပ်ထွေးသော ဗိသုကာလက်ရာများကို တီထွင်လာခြင်းဖြင့် သိသာထင်ရှားစွာ ပြောင်းလဲလာခဲ့သည်။ ထင်ရှားသောတိုးတက်မှုတစ်ခုမှာ Alex Krizhevsky et al မှ AlexNet ဗိသုကာပညာ၏နိဒါန်းဖြစ်သည်။ 2012 ခုနှစ်တွင် AlexNet သည် ImageNet Large Scale Visual Recognition Challenge (ILSVRC) အား ယခင်နည်းလမ်းများနှင့် နှိုင်းယှဉ်ပါက အမှားအယွင်းနှုန်း သိသိသာသာနိမ့်ကျသော ImageNet Large Scale Visual Recognition Challenge (ILSVRC) ကို အနိုင်ရခြင်းဖြင့် ရုပ်ပုံအမျိုးအစားခွဲခြားခြင်းတွင် အောင်မြင်မှုရရှိခဲ့ပါသည်။ ဤအောင်မြင်မှုသည် ရုပ်ပုံအသိအမှတ်ပြုခြင်းဆိုင်ရာ လုပ်ငန်းများတွင် CNN များကို ကျယ်ကျယ်ပြန့်ပြန့် လက်ခံကျင့်သုံးနိုင်စေရန် လမ်းခင်းပေးခဲ့သည်။
CNN များကို အခြားသော ကွန်ပြူတာ အမြင်ဆိုင်ရာ အလုပ်များတွင်လည်း အောင်မြင်စွာ အသုံးချခဲ့သည်။ ဥပမာအားဖြင့်၊ အရာဝတ္ထုရှာဖွေခြင်းတွင်၊ CNN များကို ပုံတစ်ပုံအတွင်းမှ အရာဝတ္ထုများကို ဒေသအလိုက် ခွဲခြားသတ်မှတ်ရန်နှင့် အမျိုးအစားခွဲရန် နောက်ထပ်အလွှာများနှင့် ပေါင်းစပ်နိုင်သည်။ Ross Girshick et al မှ မိတ်ဆက်ခဲ့သော နာမည်ကျော် Region-based Convolutional Neural Network (R-CNN) 2014 တွင်ထိုကဲ့သို့သောဗိသုကာ၏ဥပမာတစ်ခုဖြစ်ပါသည်။ R-CNN သည် အင်္ဂါရပ် ထုတ်ယူမှုအတွက် CNN ၏ စွမ်းအားကို အသုံးချကာ ၎င်းကို ဒေသဆိုင်ရာ အဆိုပြုချက် နည်းလမ်းများနှင့် ပေါင်းစပ်ခြင်းဖြင့် အရာဝတ္ထု ထောက်လှမ်းခြင်း စံနှုန်းများတွင် ခေတ်မီသော ရလဒ်များ ရရှိခဲ့သည်။
Convolutional neural networks များသည် ကွန်ပျူတာအမြင်နယ်ပယ်တွင် ရုပ်ပုံမှတ်မိခြင်းဆိုင်ရာ လုပ်ငန်းဆောင်တာများအတွက် ပထမဆုံး ဒီဇိုင်းရေးဆွဲခဲ့သည်။ ၎င်းတို့သည် ရုပ်ပုံများမှ သက်ဆိုင်ရာ အင်္ဂါရပ်များကို အလိုအလျောက် သင်ယူခြင်းဖြင့် နယ်ပယ်ကို တော်လှန်ပြောင်းလဲခဲ့ပြီး manual feature engineering လိုအပ်မှုကို ဖယ်ရှားခဲ့သည်။ CNN များ ဖွံ့ဖြိုးတိုးတက်လာမှုကြောင့် ရုပ်ပုံအမျိုးအစားခွဲခြင်း၊ အရာဝတ္တုများကို ထောက်လှမ်းခြင်း နှင့် အခြားကွန်ပြူတာအမြင်ဆိုင်ရာ လုပ်ငန်းဆောင်တာများတွင် သိသာထင်ရှားသော တိုးတက်မှုများကို ဖြစ်ပေါ်စေခဲ့သည်။
အခြား လတ်တလောမေးခွန်းများနှင့် အဖြေများ EITC/AI/ADL အဆင့်မြင့်နက်ရှိုင်းသောသင်ယူမှု:
- စက်သင်ယူမှုတွင် ပိုမိုကောင်းမွန်အောင်လုပ်ဆောင်ရန် အဘယ်ကြောင့် လိုအပ်သနည်း။
- အဝလွန်ခြင်း သည် မည်သည့်အချိန်တွင် ဖြစ်ပွားသနည်း။
- Convolutional Neural Networks များသည် Convolutional Sequence မှ Sequence မော်ဒယ်များတွင် အသုံးပြုထားသည့်အတိုင်း အချိန်နှင့်အမျှ convolutions များကိုပေါင်းစပ်ခြင်းဖြင့် ဆက်တိုက်ဒေတာကို ကိုင်တွယ်နိုင်ပါသလား။
- Generative Adversarial Networks (GANs) သည် Generative Adversarial Networks (GANs) နှင့် Generative Adversarial Networks (GANs) ၏ အယူအဆအပေါ် အားကိုးပါသလား။