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?

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.

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

Аналітики передбачають прийняття Rapid DDR5 до 2023 року

Аналітики прогнозують швидкий рампи для DDR5, коли він дебютує в кінці цього року - набагато швидше, ніж перехід DDR3-до-DDR4.

Квантовий аналіз стародавнього простору пилу показує, чому внутрішні та зовнішні планети відрізняютьс

Новий аналіз стародавнього метеоритного пилу забезпечив докази фізичного розриву на протопланетному диску Сонця. Це може пояснити дві старі проблеми в планетарній астрономії.

Аналіз показує Alexa Alexa, який збирає більше даних, ніж будь-який інший смарт-помічник

Якщо ви адамантом про покупку розумного помічника, Alexa може бути не найкращим варіантом. Нова порівняння конфіденційності ставки комерційних гігантських пристроїв мертвих.

Новий аналіз знакового Міллера-Урея походження життєвого експерименту Задає більше питань, ніж це відп

Будівництво на оригінальних експериментах Міллера-Урея, нова робота показує, що деякі інгредієнти "первинного супу" вийшли з ретельно несподіваного місця. Результати можуть мати наслідки для нашого пошуку життя позапланею - а також наш квест зрозуміти, як це виник тут на землі.