Hierarchické architektury pro rozpoznávání
Cíle projektu
Umělé neuronové sítě dnes prožívají renesanci pod jménem hluboké učení. Ta započala neočekávaným objevem, že dostatečně hluboké sítě trénované na dost velkých datech dalece překonávaji všechny ostatní metody v mnoha úlohách rozponávání. Převažující domněnka má za to, že hlavní vlastností, která tento kvalitativní skok umožnila, je hierarchická struktura modelů. S tímto porozuměním můžeme ale uvažovat i jiné modely ve strojovém učení s hierarchickou strukturou, z nichž nejdůležitější jsou grafové modely a obrazové gramatiky, a doufat že se mohou stát podobně úspěšné pokud budou dostatečně hluboké. Chceme (a) přispět k teorii jednotlivých takových modelů a (b) vyvinout kombinované modely, které odstraní některé nevýhody izolovaných modelů. Konkrétně, chceme přenést některé postupy vyvinuté pro grafové modely na neuronové sítě, přispět k inferenčním metodám v jednotlivých modelech a konečně se zaměřit na některé základní otázky vztahující se k pojmu hierarchická struktura.
Klíčová slova
pattern recognitioncomputer visionmachine learningcompositional architectureshierarchical architecturesartificial neural networksdeep learninggraphical modelsimage grammarsstochastic grammars
Veřejná podpora
Poskytovatel
Grantová agentura České republiky
Program
Standardní projekty
Veřejná soutěž
Standardní projekty 23 (SGA0201900001)
Hlavní účastníci
České vysoké učení technické v Praze / Fakulta elektrotechnická
Druh soutěže
VS - Veřejná soutěž
Číslo smlouvy
19-09967S
Alternativní jazyk
Název projektu anglicky
Compositional Architectures for Pattern Recognition
Anotace anglicky
Artificial neural networks nowadays enjoy a renaissance under the name deep learning. It was ignited by the unexpected discovery that deep enough networks trained on big enough data beat all other approaches by large margin in many difficult tasks of pattern recognition. It is widely believed that the key feature enabling this qualitative leap in performance is compositionality (hierarchical processing). Having realized this, one can consider other compositional machine learning models, most importantly graphical models and stochastic image grammars, and hope that these models can become comparably successful as long as they are sufficiently deep. We want to (a) contribute to the theory of selected compositional models and (b) explore the relations between different models, aiming at combined models that would alleviate some of their theoretical drawbacks. In particular, we want to transfer some techniques from graphical models to neural networks, contribute to inference methods in several models, and finally attack some fundamental theoretical questions regarding compositionality.
Vědní obory
Kategorie VaV
ZV - Základní výzkum
OECD FORD - hlavní obor
20204 - Robotics and automatic control
OECD FORD - vedlejší obor
—
OECD FORD - další vedlejší obor
—
CEP - odpovídající obory
(dle převodníku)JD - Využití počítačů, robotika a její aplikace
Hodnocení dokončeného projektu
Hodnocení poskytovatelem
U - Uspěl podle zadání (s publikovanými či patentovanými výsledky atd.)
Zhodnocení výsledků projektu
Projekt úspěšně splnil stanovené cíle a dosáhl dostatečného množství kvalitních publikací. Finanční prostředky byly čerpány uvážlivě a v souladu s plánem a pravidly grantové agentury. Projekt lze tedy považovat za úspěšně splněný.
Termíny řešení
Zahájení řešení
1. 1. 2019
Ukončení řešení
30. 6. 2022
Poslední stav řešení
U - Ukončený projekt
Poslední uvolnění podpory
1. 4. 2022
Dodání dat do CEP
Důvěrnost údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Systémové označení dodávky dat
CEP23-GA0-GA-U
Datum dodání záznamu
26. 6. 2023
Finance
Celkové uznané náklady
7 127 tis. Kč
Výše podpory ze státního rozpočtu
7 127 tis. Kč
Ostatní veřejné zdroje financování
0 tis. Kč
Neveřejné tuz. a zahr. zdroje finan.
0 tis. Kč
Základní informace
Uznané náklady
7 127 tis. Kč
Statní podpora
7 127 tis. Kč
100%
Poskytovatel
Grantová agentura České republiky
OECD FORD
Robotics and automatic control
Doba řešení
01. 01. 2019 - 30. 06. 2022