
CNN зураг, дуу хоолойг хэрхэн таньдаг вэ?

Б.Солонгоо
Багш


Б.Солонгоо
Багш
CNN (Convolutional Neural Network) нь өгөгдлөөс онцлог шинжүүдийг автоматаар илрүүлж, тэдгээрт үндэслэн ангилал хийхэд ашигладаг Deep Learning-ийн нэг төрлийн нейрон сүлжээ юм.
CNN нь зураг боловсруулах, дүрс танихад өргөн хэрэглэгддэг. Мөн дуу хоолойг спектрограмм хэлбэрээр дүрсэлсэн тохиолдолд аудио боловсруулахад ашиглаж болно.
Жишээлбэл, муурны зургийг CNN-д оруулахад загвар шууд муур гэж танихгүй. Эхлээд зургийн жижиг хэсгүүдээс шугам, ирмэг, өнцөг зэрэг энгийн шинжүүдийг илрүүлнэ. Дараа нь эдгээрийг нэгтгэн нүд, чих, нүүрний хэлбэр зэрэг илүү нарийн шинжүүдийг сурдаг.
Convolution — Онцлог шинжийг илрүүлэх
CNN нь Filter буюу Kernel гэж нэрлэгдэх жижиг матрицыг өгөгдлийн дээгүүр шилжүүлж, хэсэг бүрийн утгыг тооцоолдог.
Ингэснээр зураг дээрх ирмэг, өнцөг, шугам зэрэг онцлог шинжүүдийг илрүүлнэ. Filter-ийн утгуудыг загвар сургалтын явцад өөрөө сурч, тохируулдаг.

Feature Map — Онцлогийн зураглал үүсгэх
Convolution үйлдлийн үр дүнд Feature Map үүснэ. Энэ нь тухайн өгөгдлийн аль хэсэгт ямар онцлог шинж илэрч байгааг тоон утгуудаар харуулдаг зураглал юм.
Өөрөөр хэлбэл, CNN өгөгдлөөс олж илрүүлсэн мэдээллээ дараагийн шатанд боловсруулах боломжтой хэлбэрт оруулж байна гэсэн үг.

Pooling — Мэдээллийг багасгах
Pooling нь Feature Map-ийн хэмжээг багасгаж, чухал мэдээллийг хадгалахад тусалдаг.
Тухайлбал, Max Pooling нь жижиг хэсгээс хамгийн их утгатай элементийг сонгодог. Ингэснээр тооцооллын ачаалал багасаж, чухал онцлогууд хадгалагдана.

Classification — Ангилал хийх
Эцэст нь өмнөх шатуудаас гаргаж авсан онцлогуудыг Fully Connected Layer боловсруулж, Output Layer тухайн өгөгдөл аль ангилалд хамаарах магадлалтайг гаргана. Жишээлбэл, муур, нохой, машин гэсэн гурван ангиллын аль нь болохыг таамаглаж болно.
CNN нь олон жишээ өгөгдөл дээр суралцаж, өөрийн параметрүүдийг тасралтгүй сайжруулдаг. Эхлээд өгөгдлийг боловсруулж таамаглал гаргана. Дараа нь уг таамаглалыг бодит зөв хариулттай харьцуулж, Loss Function ашиглан алдааг тооцоолно. Backpropagation болон Optimizer-ийн тусламжтайгаар загварын жингүүдийг шинэчилж, энэ үйл явцыг олон давтсанаар таних чадвараа сайжруулдаг. Ийм зарчмаар суралцсан CNN нь өнөөдөр олон салбарт ашиглагдаж байна.
Face Recognition: Хүний царайг илрүүлж, ялган таних.
Medical Imaging: Рентген, MRI зэрэг эмнэлгийн дүрсээс өвчний шинж тэмдэг илрүүлэхэд туслах.
Autonomous Driving: Автомашин, явган зорчигч, замын тэмдэг зэргийг илрүүлэх.
Speech Recognition: Дууны спектрограмм болон MFCC өгөгдлөөс онцлог шинжүүдийг ялгаж, авиа таних системд ашиглах.
Өөрөөр хэлбэл, CNN нь зөвхөн өгөгдөл боловсруулах алгоритм биш, харин сурсан мэдлэгээ бодит асуудлыг шийдвэрлэхэд ашигладаг технологийн нэг юм.


Өмнөх нийтлэлд дурдсан MFCC технологи нь хүний дуу хоолойг компьютер боловсруулах боломжтой тоон дүрслэл болгон хувиргадаг.
Харин CNN нь MFCC коэффициент эсвэл спектрограмм зэрэг өгөгдлийг боловсруулж, дуу хоолойн онцлог шинжүүдийг ялгаж чадна.
Жишээлбэл, хүүхэд микрофонд монгол хэлний нэг үсгийг хэлэхэд дуу хоолойг эхлээд тоон өгөгдөл болгон хувиргана. Дараа нь CNN тухайн өгөгдлөөс онцлог шинжүүдийг илрүүлж, бусад үсгийн дуудлагатай харьцуулах боломж бүрдэнэ.
Ингэснээр компьютер хүний хэлсэн авиаг таних системийн нэг хэсэг болж чаддаг.
CNN-ийн гол онцлог нь өгөгдлийг жижиг хэсгүүдэд задлан шинжилж, тэдгээрийн хоорондын холбоо, онцлог шинжүүдийг суралцдагт оршино. Энгийн мэт харагдах зураг эсвэл дуу хоолойн цаана олон шат дамжсан тооцоолол явагдаж, эцэст нь компьютер тухайн мэдээллийг таньж, ангилах боломжтой болдог.
Өөрөөр хэлбэл, бидний харж, сонсож буй мэдээллийг компьютер хэрхэн боловсруулж, таньж байгааг ойлгоход CNN чухал юм.