Förstå Scrimer-arkitekturer i maskininlärning och datorseende

Scrimer är en term som används i samband med maskininlärning och datorseende för att hänvisa till en typ av neural nätverksarkitektur som är designad för att fungera bra på uppgifter som kräver både klassificerings- och regressionsutgångar. Namnet "scrimer" kommer från orden "scrim" (en typ av mesh eller nät) och "regressor", som hänvisar till en modell som förutsäger en kontinuerlig utfallsvariabel.

En scrimer är ett neuralt nätverk som är tränat att förutsäga både klassetiketter och kontinuerliga värden, såsom koordinater i en bild. Nätverket består av flera grenar, som var och en behandlar indata på olika sätt. En gren är ansvarig för att förutsäga klassetiketten, medan den andra grenen är ansvarig för att förutsäga det kontinuerliga värdet. Utgångarna från dessa två grenar kombineras sedan för att producera den slutliga utdata.

Scrimer-arkitekturer har visat sig vara effektiva i en mängd datorseendeuppgifter, såsom objektdetektering och segmentering, där både klassificerings- och regressionsutdata krävs. De har också använts i naturlig språkbehandling och andra applikationer där både kategoriska och kontinuerliga utdata behövs.