Российские учёные разработали самый точный в мире ИИ-метод по обнаружению ранее неизвестных объектов на фото
ГигаЧат кратко объясняет суть статьи
Ученые лаборатории T-Bank AI Research совместно с учащимися МИСИС и МФТИ разработали метод SDDE (Saliency-Diversified Deep Ensembles), снижающий вероятность ошибок при анализе изображений более чем на 20%. SDDE улучшает точность идентификации объектов за счет использования карт внимания, ориентированных на разные аспекты данных, включая ранее неизвестную информацию. Метод был представлен на международной конференции IEEE ICIP в Абу-Даби и успешно протестирован на известных датасетах CIFAR10, CIFAR100 и ImageNet-1K, показав лучшие результаты по сравнению с аналогичными подходами. SDDE найдет применение в беспилотниках и медицине, где важна высокая точность анализа.
Открытие было сделано учёными из лаборатории исследований ИИ T-Bank AI Research совместно со студентами Университета МИСИС и МФТИ, сообщили «Коду Дурова» в Т-Банке.
Метод получил название SDDE (Saliency-Diversified Deep Ensembles), а его значимой особенностью является то, что он снизил риск ошибки при обработке и анализе изображений более чем на 20%. Это уменьшает необходимость перепроверки и исправления неверных решений человеком.
Учёные уверены, что SDDE будет особенно востребован в сферах, требующих высокой точности анализа, а в перспективе поможет развить сферы беспилотных транспортных средств и медицинской диагностики, где важно различать неопознанные элементы и графические артефакты.
Открытие было представлено на Международной конференции по обработке изображений (IEEE ICIP) в Абу-Даби (ОАЭ) — одной из крупнейших научных конференций, посвященных обработке изображений и видео, а также компьютерному зрению.
SDDE использует карты внимания, фокусирующиеся на разных аспектах данных, что уменьшает схожесть моделей и повышает их общую точность, благодаря чему идентификация объектов становится более надёжной и диверсифицированной.
Глубокие ансамбли используют одинаковые модели для распознавания изображений. В подходе SDDE каждая модель фокусируется на разных аспектах данных, что видно на выделенных зонах — картах внимания. В SDDE карты сильнее различаются, например захватывается фон изображения.
Кроме того, модель учитывает не только наборы данных, которые использовались при обучении нейросети, но и незнакомую ей информацию.
Сообщается, что учёные провели испытания эффективности метода на популярных базах данных (CIFAR10, CIFAR100 и ImageNet-1K), и SDDE продемонстрировал наилучшие результаты по сравнению со схожими алгоритмами, такими как Negative Correlation Learning и Adaptive Diversity Promoting.
Читать первым в Telegram-канале «Код Дурова»
