(SeaPRwire) –   BEIJING, Ngày 21 tháng 11 năm 2023 — WiMi Hologram Cloud Inc. (NASDAQ: WIMI) (“WiMi” hoặc “Công ty”) – nhà cung cấp công nghệ Hologram Tăng cường Thực tế (AR) toàn cầu hàng đầu, ngày hôm nay thông báo rằng thuật toán phân tích tính năng nhiều cấp dựa trên mạng nơ-ron tầng (CNN) của nó có thể nắm bắt tốt thông tin toàn cầu và cục bộ của một hình ảnh và cải thiện hiệu suất của mô hình bằng cách kết hợp các tính năng từ các cấp độ khác nhau.

Các thuật toán kết hợp tính năng đã được sử dụng rộng rãi trong thị giác máy tính, xử lý ngôn ngữ tự nhiên và các lĩnh vực khác. Bằng cách kết hợp các tính năng của các cấp độ hoặc khả năng, khả năng biểu đạt và hiệu suất của mô hình được cải thiện để giải quyết tốt hơn các nhiệm vụ phức tạp. Thuật toán phân tích tính năng nhiều cấp được nghiên cứu bởi WiMi sử dụng cấu trúc mạng sâu, và dần dần trích xuất các tính năng cấp độ cao của hình ảnh thông qua nhiều phép tích chập và lấy mẫu, để biểu đạt tốt hơn thông tin ngữ nghĩa của hình ảnh. Ngoài ra, bằng cách kết hợp các tính năng ở các cấp độ khác nhau, mô hình có thể tập trung vào cả thông tin toàn cầu và cục bộ về hình ảnh, do đó cải thiện hiệu suất của mô hình. Thuật toán phân tích tính năng nhiều cấp, như một mô hình CNN cải tiến, có ứng dụng quan trọng trong lĩnh vực xử lý hình ảnh. CNN là thuật toán học sâu được sử dụng rộng rãi trong lĩnh vực thị giác máy tính. Nó trích xuất các tính năng của một hình ảnh thông qua các lớp tích chập và lấy mẫu nhiều cấp độ và thực hiện phân loại và nhận dạng thông qua các lớp kết nối đầy đủ, có ưu điểm là học tự động biểu diễn tính năng, chia sẻ tham số và nhận thức cục bộ.

Các thuật toán kết hợp tính năng nhiều cấp dựa trên CNN có thể cải thiện hiệu suất và tính tổng quát của mô hình bằng cách kết hợp các tính năng từ các lớp khác nhau. Một mô hình CNN nhiều tầng được sử dụng bao gồm nhiều lớp tích chập và lấy mẫu cũng như một lớp kết nối đầy đủ cho các nhiệm vụ phân loại. Bằng cách kết hợp các tính năng của các lớp khác nhau, thông tin của các lớp khác nhau có thể được nắm bắt hiệu quả và các tính năng của các lớp khác nhau của hình ảnh có thể được trích xuất hiệu quả cho phân loại tốt hơn, do đó cải thiện độ chính xác của mô hình.

Ứng dụng chính của thuật toán bao gồm các mô-đun then chốt sau:

Trích xuất tính năng: Trước tiên, hình ảnh đầu vào được CNN trích xuất tính năng. Các lớp tích chập khác nhau có thể trích xuất các tính năng ở các cấp độ trừu tượng khác nhau của hình ảnh.

Kết hợp tính năng: Các tính năng ở các cấp độ khác nhau được kết hợp. Các phương pháp kết hợp khác nhau có thể được sử dụng như kết hợp trọng số, kết hợp tuần tự hoặc kết hợp song song. Kết hợp trọng số có thể lấy trọng số của mỗi lớp tính năng thông qua học tập, kết hợp tuần tự có thể kết nối các tính năng của các cấp độ theo chuỗi, và kết hợp song song có thể xử lý các tính năng của các cấp độ song song.

Ánh xạ tính năng: Các tính năng đã kết hợp được ánh xạ để trích xuất thêm các tính năng phân biệt rõ ràng hơn. Điều này có thể đạt được bằng cách sử dụng các lớp kết nối đầy đủ, lớp lấy mẫu hoặc các hàm ánh xạ phi tuyến tính khác.

Lựa chọn tính năng: Chọn các tính năng phân biệt nhất cho xử lý tiếp theo theo nhu cầu của nhiệm vụ cụ thể.

Thuật toán phân tích tính năng nhiều cấp dựa trên CNN cải thiện hiệu suất và khả năng tổng quát của mô hình bằng cách trích xuất hiệu quả các tính năng nhiều cấp của hình ảnh và kết hợp chúng, và nó có ý nghĩa nghiên cứu quan trọng và triển vọng ứng dụng. Thuật toán này có nhiều ứng dụng trong các nhiệm vụ như phân loại hình ảnh, phát hiện mục tiêu và tạo hình ảnh.

Hiện tại, thuật toán phân tích tính năng nhiều cấp chủ yếu tập trung vào việc kết hợp các tính năng cấp độ nông và trung bình, và trong tương lai, WiMi sẽ tiếp tục khám phá kết hợp các tính năng cấp độ sâu hơn, chẳng hạn như kết hợp các tính năng cấp độ cao hơn, để cải thiện hiệu suất và khả năng biểu đạt của thuật toán. Cơ chế chú ý được giới thiệu vào thuật toán phân tích tính năng nhiều cấp để cải thiện khả năng nhận thức và sử dụng các tính năng then chốt của mạng. Ngoài CNN, các mô hình khác có thể được xem xét kết hợp với các thuật toán phân tích tính năng nhiều cấp, chẳng hạn như mạng nơ-ron tái phát hoặc mạng tích chập đồ thị, để cải thiện hơn nữa hiệu suất và khả năng áp dụng của các thuật toán. Hiệu suất của thuật toán phân tích tính năng nhiều cấp có thể được cải thiện bằng cách cải tiến cấu trúc mạng, chẳng hạn như giới thiệu kết nối dư và tăng độ rộng và chiều sâu của mạng.

Thuật toán phân tích tính năng nhiều cấp dựa trên CNN đã được sử dụng rộng rãi trong lĩnh vực thị giác máy tính, và trong tương lai, WiMi sẽ tiếp tục mở rộng sang các lĩnh vực khác, chẳng hạn như xử lý ngôn ngữ tự nhiên, nhận dạng giọng nói v.v., để khám phá tiềm năng và ứng dụng của các thuật toán phân tích tính năng nhiều cấp trong các nhiệm vụ khác.

Về WiMi Hologram Cloud

WiMi Hologram Cloud, Inc. (NASDAQ: WIMI) là nhà cung cấp giải pháp kỹ thuật toàn diện tập trung vào các lĩnh vực chuyên nghiệp bao gồm phần mềm HUD hologram AR ô tô, LiDAR xung hologram 3D, thiết bị trường ánh sáng hologram đeo đầu, bán dẫn hologram, phần mềm đám mây hologram, hướng dẫn xe hơi hologram và những người khác. Các dịch vụ và công nghệ AR hologram của nó bao gồm ứng dụng AR ô tô hologram, công nghệ LiDAR xung hologram 3D, công nghệ bán dẫn thị giác hologram, phát triển phần mềm hologram, công nghệ quảng cáo AR hologram, công nghệ giải trí AR hologram, thanh toán SDK AR hologram, giao tiếp hologram tương tác và các công nghệ AR hologram khác.

Tuyên bố an toàn cảng

Bài viết được cung cấp bởi nhà cung cấp nội dung bên thứ ba. SeaPRwire (https://www.seaprwire.com/) không đưa ra bảo đảm hoặc tuyên bố liên quan đến điều đó.

Lĩnh vực: Tin nổi bật, Tin tức hàng ngày

SeaPRwire cung cấp dịch vụ phân phối thông cáo báo chí cho khách hàng toàn cầu bằng nhiều ngôn ngữ(Hong Kong: AsiaExcite, TIHongKong; Singapore: SingapuraNow, SinchewBusiness, AsiaEase; Thailand: THNewson, ThaiLandLatest; Indonesia: IndonesiaFolk, IndoNewswire; Philippines: EventPH, PHNewLook, PHNotes; Malaysia: BeritaPagi, SEANewswire; Vietnam: VNWindow, PressVN; Arab: DubaiLite, HunaTimes; Taiwan: TaipeiCool, TWZip; Germany: NachMedia, dePresseNow) 

Bản tin này chứa “tuyên bố tương lai” trong Đạo lu