Главное:
- Создан метод SDDE, который улучшает распознавание неизвестных объектов с помощью ИИ.
- Точность распознавания повысилась более чем на 20%, что уменьшает количество ошибок.
- Метод SDDE был представлен на Международной конференции по обработке изображений в Абу-Даби.
Что такое метод SDDE?
Недавно в лаборатории T-Bank AI Research была разработана инновационная методика под названием SDDE (Saliency-Diversified Deep Ensembles), направленная на распознавание неизвестных объектов на изображениях. Эта методика уникальна тем, что снижает вероятность ошибок при анализе изображений более чем на 20%. Это существенно упрощает работу людей, так как позволяет снизить количество случаев, когда необходимо вручную проверять и исправлять ошибки, которые были допущены в процессе анализа.
Метод SDDE должен стать особенно полезным в таких областях, как беспилотные транспортные средства и медицинская диагностика. В этих сферах критически важно точно распознавать объекты, а также минимизировать вероятность ошибок, что делает новую методику актуальной и востребованной.
Преимущества и особенности метода
Разработанный метод SDDE основывается на принципах машинного обучения и использовании «глубоких ансамблей», которые представляют собой объединение нескольких нейронных сетей для решения одной задачи. Это позволяет учитывать мнения различных «экспертов» с целью достижения наиболее точного результата.
Ранее существовавшие методы анализа изображений сталкивались с проблемой однородности моделей, что снижало качество их работы. Однако исследователи T-Bank AI Research нашли выход из данной ситуации, используя карты внимания, которые акцентируют внимание на различных аспектах данных, тем самым повышая качество анализа.
Кроме того, команда также обучила модель работать с незнакомыми ей данными. Это существенно увеличивает её способность идентифицировать ранее неизвестные объекты, что является важным шагом вперёд в области компьютерного зрения.
Итоги и планы на будущее
В ходе испытаний на известных датасетах, таких как CIFAR10, CIFAR100 и ImageNet-1K, метод SDDE показал лучшие результаты в сравнении с другими алгоритмами, такими как Negative Correlation Learning и Adaptive Diversity Promoting. Это однозначно демонстрирует его высокую эффективность и перспективность.
Разработчики из T-Bank AI Research планируют дальнейшее развитие как самого метода SDDE, так и связанных с ним библиотек инструментов, которые помогут бизнесам внедрять решения на основе ИИ более эффективно. Это может стать значимым вкладом в развитие технологий и их применение в реальной практике, что позволит улучшить качество многопрофильных исследований и разработок.
Добавить комментарий