กรุงเทพฯ 12 ต.ค. 2566 — WiMi Hologram Cloud Inc. (NASDAQ: WIMI) (“WiMi” หรือ “บริษัท”) ผู้ให้บริการเทคโนโลยี Hologram Augmented Reality (“AR”) ชั้นนําระดับโลก ได้ประกาศในวันนี้ว่า บริษัทเสนอการเพิ่มประสิทธิภาพข้อมูลสําหรับโครงข่ายประสาทเทียมแบบซูเปอร์ (convolutional neural networks หรือ CNN) การเพิ่มประสิทธิภาพข้อมูลเป็นเทคนิคที่ใช้ในการฝึกโครงข่ายประสาทเทียมที่มุ่งสร้างตัวอย่างการฝึกมากขึ้นโดยการแปลงและขยายข้อมูลดั้งเดิม ซึ่งสามารถช่วยแก้ปัญหาข้อมูลไม่เพียงพอและปรับปรุงความสามารถในการทั่วไปของโมเดลเครือข่ายได้
วัตถุประสงค์ของการเพิ่มประสิทธิภาพข้อมูลคือการสร้างตัวอย่างการฝึกใหม่โดยการดําเนินการแปลงชุดข้อมูลดั้งเดิมหลายอย่างเพื่อเพิ่มความหลากหลายของชุดข้อมูล ซึ่งจะช่วยให้โมเดลเครือข่ายสามารถเรียนรู้คุณลักษณะของข้อมูลได้ดีขึ้นและปรับปรุงความสามารถในการทั่วไป วิธีการเพิ่มประสิทธิภาพข้อมูลสามารถรวมถึงการดําเนินการ เช่น การหมุนภาพ การพลิกภาพ การปรับมาตราส่วนภาพ และการเลื่อนภาพ รวมถึงการเพิ่มเสียงรบกวน การทําให้ภาพพร่ามัว และการแปลงสีของภาพ เป็นต้น ผ่านการแปลงเหล่านี้ ความหลากหลายและความซับซ้อนของข้อมูลจะเพิ่มขึ้น ดังนั้นโมเดลจะสามารถปรับตัวให้เข้ากับสภาพแวดล้อมและเงื่อนไขต่างๆ ได้ดีขึ้น และความมั่นคงแข็งแรงของโมเดลจะได้รับการปรับปรุง เช่น ในงานจําแนกภาพ ภาพสามารถหมุน ย้ายตําแหน่ง และปรับมาตราส่วนแบบสุ่มเพื่อสร้างตัวอย่างภาพที่มีมุมมอง ตําแหน่ง และมาตราส่วนที่แตกต่างกัน ซึ่งช่วยให้โมเดลเรียนรู้ท่าทางและการเปลี่ยนแปลงมาตราส่วนของวัตถุต่างๆ ได้ดีขึ้น ดังนั้นจึงปรับปรุงความแม่นยําในการจําแนกภาพใหม่ๆ
ใน CNN การเพิ่มประสิทธิภาพข้อมูลสามารถนํามาใช้กับงาน เช่น การจําแนกภาพ การตรวจจับเป้าหมาย และการแบ่งแยกส่วนภาพเชิงความหมาย เช่น ในงานจําแนกภาพ การทําซ้ําและประมวลผลภาพดั้งเดิมเพื่อสร้างตัวอย่างการฝึกใหม่ เพิ่มความหลากหลายของตัวอย่างข้อมูล ทําให้โมเดลสามารถปรับตัวให้เข้ากับการเปลี่ยนแปลงของภาพต่างๆ ได้ดีขึ้น และสามารถทํางานจําแนกภาพได้อย่างแม่นยํามากขึ้น การเพิ่มประสิทธิภาพข้อมูลยังมีบทบาทสําคัญในงานตรวจจับเป้าหมาย งานตรวจจับเป้าหมายมุ่งหาเป้าหมายหลายอย่างในภาพที่กําหนดให้และจําแนกประเภทเป้าหมายเหล่านั้น และเพื่อปรับปรุงประสิทธิภาพและความสามารถในการทั่วไปของโมเดล การเพิ่มประสิทธิภาพข้อมูลสามารถใช้เพื่อขยายชุดข้อมูลการฝึกโดยเพิ่มความหลากหลายและจํานวนของตัวอย่าง การเพิ่มประสิทธิภาพข้อมูลยังมีบทบาทสําคัญในงานแบ่งแยกส่วนภาพเชิงความหมาย การแบ่งแยกส่วนภาพเชิงความหมายเป็นงานกําหนดประเภทให้พิกเซลแต่ละจุดในภาพว่าเป็นประเภทใด และดังนั้นจึงต้องการข้อมูลที่มีป้ายเป็นจํานวนมากเพื่อฝึกโมเดล อย่างไรก็ตามการได้มาซึ่งข้อมูลที่มีป้ายขนาดใหญ่นั้นยากและใช้เวลามาก ณ จุดนี้ การเพิ่มประสิทธิภาพข้อมูลสามารถใช้เพื่อเพิ่มความหลากหลายของข้อม