Forstå Scrimer-arkitekturer i maskinlæring og datasyn

Scrimer er et begrep som brukes i sammenheng med maskinl
ring og datasyn for å referere til en type nevrale nettverksarkitektur som er designet for å yte godt på oppgaver som krever både klassifiserings- og regresjonsutganger. Navnet "scrimer" er avledet fra ordene "scrim" (en type mesh eller netting) og "regressor", som refererer til en modell som forutsier en kontinuerlig utfallsvariabel.

En scrimer er et nevralt nettverk som er trent til å forutsi både klasseetiketter og kontinuerlige verdier, for eksempel koordinater i et bilde. Nettverket består av flere grener, som hver behandler inndataene forskjellig. Den ene grenen er ansvarlig for å forutsi klasseetiketten, mens den andre grenen er ansvarlig for å forutsi den kontinuerlige verdien. Utdataene fra disse to grenene blir deretter kombinert for å produsere den endelige utgangen.

Scrimer-arkitekturer har vist seg å v
re effektive i en rekke datasynsoppgaver, for eksempel objektdeteksjon og segmentering, der både klassifiserings- og regresjonsutganger kreves. De har også blitt brukt i naturlig språkbehandling og andre applikasjoner der både kategoriske og kontinuerlige utdata er nødvendig.