WiMi Hologram Cloud Inc. kondigde aan dat het een op CNN (convolutioneel neuraal netwerk) algoritme gebaseerd beeldherkenningssysteem heeft ontwikkeld. CNN is een zeer efficiënt herkenningsalgoritme op basis van een kunstmatig neuraal netwerk. WiMi past het CNN-algoritme toe op de beeldherkenningstechnologie, die duidelijke voordelen biedt in vergelijking met het traditionele algoritme voor machinaal leren.

CNN realiseert de constructie van kenmerken door de computer zelf, waardoor het knelpunt van de oorspronkelijke manier van classificeren wordt doorbroken. Dit heeft beeldherkenning op een nieuw niveau gebracht. Bovendien heeft CNN een unieke structuur, die tweedimensionale beelden kan gebruiken als inputlaag, zodat sommige essentiële kenmerken van de beelden niet verloren gaan, waardoor de nauwkeurigheid van de beeldherkenning wordt verbeterd.

In CNN's zijn neuronen in één laag niet verbonden met alle neuronen in de volgende laag. In plaats daarvan gebruiken CNN's een 3D-structuur waarin elke groep neuronen een specifiek gebied of "kenmerk" van het beeld analyseert. CNN's filteren verbindingen op nabijheid (alleen nabijgelegen pixels worden geanalyseerd), waardoor een rekenkundig verantwoord trainingsproces mogelijk is.

Het bestaat uit meerdere fasen van convolutie en bemonstering, waarna de geëxtraheerde kenmerken worden ingevoerd in de volledig verbonden laag voor de berekening van de classificatieresultaten. De convolutionele laag verkrijgt de kenmerken van het beeld uit de bovenste laag en de gegevens over de eenheidsknooppunten van elk lokaal gebied in de inputlaag, die de volledige gegevensreeks moeten bestrijken. CNN's kunnen de invariante kenmerken van een beeld leren door het proces van kenmerkextractie en kenmerkmapping.

Op CNN-algoritmen gebaseerde beeldherkenningssystemen presteren vooral goed vanwege hun meerlaagse netwerkstructuur en poolingoperaties en hun vermogen om met minder trainingstijd de best mogelijke resultaten te produceren. CNN's bestaan doorgaans uit drie of meer neuronen die verbonden zijn voor training en inferentie. De convolutielaag is het kernstuk van een convolutioneel neuraal netwerk.

De essentie van convolutie is het gebruik van de parameters van de convolutiekernel om kenmerken uit de gegevens te extraheren en het resultaat te verkrijgen door middel van matrixpuntproductbewerkingen en sommatiebewerkingen. In de volledig verbonden laag maakt een lineaire uitrekking van de hoogdimensionale kenmerkenkaart het mogelijk de hoogdimensionale kenmerkenkaart om te zetten in een eendimensionale vector voor classificatie of regressie in de classificator. De activeringsfunctie speelt een cruciale rol bij het wijzigen van de wiskundige relatie tussen de invoer- en uitvoergegevens in het neurale netwerk.

Door de activeringsfunctie toe te voegen, wordt de output van de vorige laag eerst in kaart gebracht door de activeringsfunctie om een niet-lineair proces te verkrijgen, dat het leer- en uitdrukkingsvermogen van het netwerk kan verbeteren. De belangrijkste voordelen van het WiMi-systeem zijn de volgende: ten eerste kan het kenmerken halen uit meerdere beelddatasets en kenmerkensets en elementen uit de datasets selecteren. Ten tweede kan het vele kleinschalige eenheden verbinden om een reeks essentiële parameters te leren door de relaties tussen verschillende schalen te begrijpen en daaruit de optimale oplossing te halen.

Ten derde kan het worden getraind door andere delen van de dataset te leren, zodat meer informatie uit de beelddataset kan worden gehaald en aanvullende kenmerkinformatie beter kan worden benut. Bij veel praktische taken gebruiken CNN's poolinglagen voor netwerkverbindingen om de gewenste kenmerken te verkrijgen en uiteindelijk voor doeldetectie of -herkenning; of delen zij trainingsresultaten tussen verschillende lagen voor taken zoals multi-classificatie, regressie, beeldclassificatie, enz. Beeldherkenningstechnologie is een belangrijk gebied van kunstmatige intelligentie.

Het is van groot belang voor onderzoek en toepassingen op vele gebieden, zoals navigatie, bronanalyse, milieubewaking en medisch onderzoek. In de toekomst zal WiMi de toepassingsscenario's van het ontwikkelde CNN-algoritme voor beeldherkenningssystemen blijven uitbreiden.