Google EfficientNet предлагает 10-кратное повышение эффективности анализа изображений

Google заслужил репутацию выдающихся новых технологий и обновлений искусственного интеллекта в удивительном темпе, и их объявление EfficientNet служит последним примером. Используя свою работу с AutoML, ученые Google применили метод масштабирования, который позволяет повысить эффективность сети в 10 раз.

Компания пишет: «Обычная практика масштабирования моделей заключается в произвольном увеличении глубины или ширины CNN или использовании большего разрешения входного изображения для обучения и оценки. Хотя эти методы улучшают точность, они обычно требуют утомительной ручной настройки и все же часто дают неоптимальную производительность. Что, если вместо этого мы могли бы найти более принципиальный метод увеличения CNN для получения большей точности и эффективности? »

Инженер Google Mingxing Tan объясняет новую разработку:

В отличие от традиционных подходов, которые произвольно масштабируют размеры сети, такие как ширина, глубина и разрешение, наш метод равномерно масштабирует каждое измерение с фиксированным набором коэффициентов масштабирования. На основе этого нового метода масштабирования и недавнего прогресса в AutoML мы разработали семейство моделей под названием EfficientNets, которые превосходят [sic] современную точность с до 10 раз большей эффективностью (меньше и быстрее).

Эти сети хорошо подходят для таких задач, как классификация изображений и распознавание лиц, которые предлагают преимущества для сценариев с высокой нагрузкой, а также использования более точных и эффективных моделей в мобильных технологиях. Как и большинство ИИ в своем роде, EfficientNet использует предварительно обученные CNN (сверточные нейронные сети), предназначенные для выполнения задач, связанных с изображениями, в качестве базовой сети. Эти базовые сети могут извлекать уроки из ряда более обобщенных наборов визуальных данных, что позволяет быстрее создавать более конкретные модели с ограниченными данными обучения.

Хотя стандартный процесс произвольного масштабирования по-прежнему дает функциональные результаты, EfficientNet сначала выполняет поиск в сетке базовой сети, чтобы определить взаимосвязи между различными размерами масштабирования сети (например, шириной и высотой), учитывая при этом как размер модели, так и доступные вычислительные ресурсы. Затем EfficientNet расширяет базовую сеть на основе этой оценки. Результаты первоначального тестирования указывают на более высокий уровень точности и скорости в большинстве случаев.

EfficientNet также продемонстрировал исключительно хорошие результаты благодаря более чем половине из восьми наиболее часто используемых наборов данных изображений, таких как CIFAR-100 (91,7%) и цветы (98,8%). Поскольку этот новый метод может значительно улучшить задачи компьютерного зрения по всем направлениям, Google имеет открытый исходный код EfficientNet с доступом через GitHub.

Учитывая, что модели распознавания изображений имеют репутацию совершающих странные ошибки, EfficientNet может помочь смягчить эту проблему по всем направлениям, поскольку разработчики искусственного интеллекта опираются на последние усилия Google.

Читать далее

Аналитики предсказывают быстрое усыновление DDR5 к 2023 году

Аналитики прогнозируют быструю рампу для DDR5, когда оно дебютирует в конце этого года - намного быстрее, чем переход DDR3-TO-DDR4.

Квантовый анализ древней космической пыли показывает, почему внутренние и внешние планеты отличаются

Новый анализ древней метеоритной пыли предоставил доказательства физического разрыва на протопланерином диске Солнца. Это может объяснить две старые проблемы в планетарной астрономии.

Анализ показывает Alexa Amazon собирает больше данных, чем любой другой умный помощник

Если вы Adamant о покупке смарт-помощника, Alexa не может быть вашим лучшим вариантом. Новое сравнение конфиденциальности по сравнению с приборами гиганта Commerce мертвых последних.

Новый анализ знаковых Miller-Urey Oright of Life Experient просит больше вопросов, чем отвечает

Строительство на оригинальных экспериментах Miller-Urey, новая работа показывает, что некоторые ингредиенты «Изначального супа» пришли из тщательного неожиданного места. Результаты могут иметь последствия для нашего поиска Life-Planet - а также наши квест, чтобы понять, как он возникла здесь на Земле.