Masz zbiór danych składający się z 1 000 000 oznaczonych obrazów o wymiarach 200x200, wskazujących, czy samochód jest obecny, czy nie. Jaka architektura sieci neuronowej i wybór warstwy wyjściowej najprawdopodobniej zapewni najwyższą dokładność w wykrywaniu obecności samochodu na obrazie?

Głęboka konwolucyjna sieć neuronowa (CNN) jest najlepszym wyborem do przetwarzania danych obrazowych ze względu na jej zdolność do automatycznego uczenia się hierarchicznych cech przestrzennych za pomocą warstw splotowych i poolingowych. W przypadku klasyfikacji binarnej (obecność samochodu lub brak) warstwa wyjściowa softmax jest odpowiednia, ponieważ przekształca surowe wyniki sieci (logity) w prawdopodobieństwa, które sumują się do 1, co ułatwia interpretację i wybór klasy. Liniowa warstwa wyjściowa jest zazwyczaj używana do zadań regresji, a nie klasyfikacji binarnej. Głęboki perceptron wielowarstwowy (MLP) nie jest optymalny dla danych obrazowych, ponieważ traktuje piksele jako niezależne cechy, tracąc informacje o ich przestrennym układzie.