[1]. Ocr tizimlari haqida gapirib bering?

[96]. Zamonaviy tanib olish kutubxonasi: FaceNet
FaceNet - Google tomonidan ishlab chiqilgan yuzni aniqlash uchun chuqur o'rganish modeli. U birinchi marta 2015 yilda Google tadqiqotchilari tomonidan chop etilgan maqolada chop etilgan va shundan beri u yuzni aniqlash vazifalari uchun mashhur usulga aylandi. FaceNet - bu chuqur neyron tarmoq bo'lib, u yuz tasvirini ixcham Evklid fazosiga joylashtirishni o'rganadi, bu erda masofalar yuz o'xshashligi o'lchoviga to'g'ridan-to'g'ri mos keladi. Bu yuzlarni oson taqqoslash va aniq bir shaxsni aniqlash imkonini beradi. FaceNet-ning asosiy xususiyatlaridan biri bu yorug'lik, poza va yuz ifodalarida katta o'zgarishlarni boshqarish qobiliyatidir. Shuningdek, u yuqori darajadagi aniqlikka ega, yuzlarni 99% dan ortiq aniqlik bilan tanib olish qobiliyatiga ega. FaceNet shuningdek, yuzlarning katta ma'lumotlar to'plamida o'qitiladi, bu unga yangi yuzlar uchun yaxshi umumlashtirish va ko'p sonli sinflarni boshqarish imkonini beradi. FaceNet triplet yo'qotish kontseptsiyasiga asoslanadi, bu langar tasviri, bir xil sinfning ijobiy tasviri va boshqa sinfning salbiy tasviri o'rtasidagi o'xshashlikni solishtirish orqali yaxshi joylashtirishni o'rganish usulidir.
FaceNet’dan xavfsizlik tizimlari, ijtimoiy media va videokonferensiya kabi turli ilovalarda foydalanish mumkin. Bundan tashqari, yuzni tanish, yuzni tekshirish va yuzni aniqlash kabi vazifalar uchun ham foydalanish mumkin.
Umuman olganda, FaceNet yuzni aniqlash vazifalari uchun kuchli vosita boʻlib, yuqori darajadagi aniqlik, yorugʻlik, poza va mimikadagi katta oʻzgarishlarni boshqarish qobiliyatiga ega va u yuzlarning katta maʼlumotlar toʻplamida oʻrganilgan. Undan xavfsizlik tizimlari, ijtimoiy media va videokonferentsiya kabi turli xil ilovalarda foydalanish mumkin.
[97]. Funktsiyalarni solishtirish uchun qanday ko'rsatkichdan foydalanish mumkin?
Funktsiyalarni solishtirish uchun ishlatilishi mumkin bo'lgan bir nechta ko'rsatkichlar mavjud, jumladan: O'rtacha kvadrat xato (MSE): Bu ikki funktsiya o'rtasidagi farqni solishtirish uchun tez-tez ishlatiladigan ko'rsatkichdir. U bashorat qilingan qiymatlar va haqiqiy qiymatlar o'rtasidagi kvadratik farqning o'rtacha qiymatini o'lchaydi.O'rtacha mutlaq xato (MAE): Yana bir mashhur ko'rsatkich, u bashorat qilingan qiymatlar va haqiqiy qiymatlar o'rtasidagi mutlaq farqning o'rtacha qiymatini o'lchaydi.O'rtacha kvadratcha xatosi ( RMSE): Bu indikator MSE ning kvadrat ildizidir, bu uni sharhlashni osonlashtiradi, chunki u asl ma'lumotlar bilan bir xil birliklarga ega. R-kvadrat: Determinatsiya koeffitsienti sifatida ham tanilgan, u funktsiyani qanchalik yaxshi tushuntirayotganini o'lchaydi. ma'lumotlardagi tafovutlar. Chalkashlik matritsasi: Bu ko'rsatkich tasniflash modelining ishlashini baholash uchun ishlatiladi, u bashorat qilingan teglarni haqiqiy teglar bilan solishtiradi, u sizga haqiqiy ijobiy, haqiqiy salbiy, noto'g'ri musbat va kabi ma'lumotlarni berishi mumkin. noto'g'ri negativlar.Precision va Recall: Bu ko'rsatkichlar ikkilik tasniflash modelining ishlashini baholash uchun ishlatiladi. Aniqlik barcha ijobiy bashoratlar orasida haqiqiy ijobiy bashoratlarning ulushini o'lchaydi, eslab qolish esa barcha haqiqiy ijobiy holatlar orasida haqiqiy ijobiy bashoratlarning ulushini o'lchaydi. Ushbu ko'rsatkichlar turli funktsiyalarning ishlashini taqqoslash va muayyan vazifa uchun eng yaxshisini tanlash uchun ishlatilishi mumkin. Ko'rsatkichni tanlash aniq vazifa va tahlil maqsadlariga bog'liq.