Google EfficientNet пропонує до 10-кратного підвищення ефективності аналізу зображень

Google EfficientNet пропонує до 10-кратного підвищення ефективності аналізу зображень

Google заслужив репутацію витіснення нових технологій інтелектуальної власності та модернізації у дивовижному темпі, а їхнє оголошення EfficientNet служить останнім прикладом. Використовуючи свою роботу з AutoML, вчені Google застосували метод масштабування, що забезпечує до десятикратного збільшення ефективності мережі.

Компанія пише: «Звичайна практика масштабування моделі полягає в тому, щоб довільно збільшувати глибину або ширину CNN, або використовувати більшу роздільну здатність вхідного зображення для навчання і оцінки. Хоча ці методи підвищують точність, вони зазвичай вимагають напруженого ручного налаштування, і до цих пір часто дають субоптимальну продуктивність. Що робити, якщо замість цього ми можемо знайти більш принциповий метод розширення CNN, щоб отримати кращу точність і ефективність?

Кредит на зображення: Google
Кредит на зображення: Google

Інженер Google Mingxing Tan пояснює нову розробку:

На відміну від звичайних підходів, які довільно масштабують мережеві розміри, такі як ширина, глибина і дозвіл, наш метод рівномірно масштабує кожне вимірювання за допомогою фіксованого набору коефіцієнтів масштабування. Працюючи на цьому новому методі масштабування і нещодавній прогрес в AutoML, ми розробили сімейство моделей, які називаються EfficientNets, які перевершують [sic] сучасну точність до 10 разів краще (менше і швидше).

Ці мережі добре підходять для таких завдань, як класифікація зображень і розпізнавання осіб, які надають переваги для високих сценаріїв використання, а також використання більш точних і ефективних моделей в мобільних технологіях. Як і більшість AI такого роду, EfficientNet використовує попередньо навчені CNN (згорткові нейронні мережі), призначені для виконання завдань, пов'язаних із зображенням, як базової мережі. Ці базові мережі можуть навчатися з ряду більш узагальнених візуальних наборів даних, щоб забезпечити більш швидке створення більш конкретних моделей з обмеженими навчальними даними.

Незважаючи на те, що стандартний процес довільного масштабування все ще дає функціональні результати, EfficientNet спочатку проводить пошук в мережі базової мережі для визначення взаємозв'язків між різними розмірами масштабування мережі (наприклад, шириною і висотою), враховуючи розмір моделі та доступні обчислювальні ресурси. Потім EfficientNet масштабує базову мережу на основі цієї оцінки. Результати первинного тестування в більшості випадків свідчать про більш високий рівень точності та швидкості.

Кредит на зображення: Google
Кредит на зображення: Google

EfficientNet також виступала виключно добре з більш ніж половиною з восьми найбільш часто використовуваних наборів даних зображень, таких як CIFAR-100 (91,7%) і Flowers (98,8%). Оскільки цей новий метод може значно покращити завдання комп'ютерного зору, Google має відкритий EfficientNet з доступом через GitHub.

Враховуючи, що моделі розпізнавання зображень мають певну репутацію для створення дивних помилок, EfficientNet може допомогти пом'якшити цю проблему, оскільки розробники AI використовують останні зусилля Google.

Читати далі

Власники Google Pixel Slate повідомляють про помилку Flash Storage
Власники Google Pixel Slate повідомляють про помилку Flash Storage

Форуми підтримки продуктів Google заповнені розлюченими власниками Pixel Slate, які кажуть, що їх пристрої часто стикаються з помилками сховища.

Google вбиває безкоштовне сховище фотографій, змінюючи те, що враховується до обмежень на зберігання
Google вбиває безкоштовне сховище фотографій, змінюючи те, що враховується до обмежень на зберігання

Google оголосив про деякі суттєві зміни у Фотографіях, особливо якщо ви використовуєте послугу для автоматичного резервного копіювання.

Час оновлення: Google патчі 2 серйозні вразливості Chrome до нульового дня
Час оновлення: Google патчі 2 серйозні вразливості Chrome до нульового дня

На відміну від останніх кількох нульових днів, Google сам не знайшов цих дір у безпеці. Натомість його отримали анонімні сторонні сторони, і проблеми досить серйозні, що він не опублікував повної інформації. Досить сказати, що вам слід припинити відкладати це оновлення.

Nvidia, Google для підтримки хмарних ігор на iPhone через веб-програми
Nvidia, Google для підтримки хмарних ігор на iPhone через веб-програми

І Nvidia, і Google оголосили про підтримку iOS своїх відповідних хмарних ігрових платформ за допомогою прогресивних веб-додатків. Apple не може цього заблокувати.