Исследователь из НИУ ВШЭ разработал новый алгоритм "настройки" нейросетей, позволяющий ускорить их работу при распознавании изображений примерно на 40% по сравнению с уже существующими решениями такого рода. Об этом сообщила в среду пресс-служба НИУ ВШЭ.
"Скоростью работы нейросетей иногда можно пожертвовать, но она имеет значение, например, в системах видеонаблюдения, где крайне желательно принимать решения в реальном времени, то есть не более 20-30 миллисекунд на один кадр. Наш подход позволит ускорить работу этих систем, не теряя при этом точности распознавания", — заявил профессор НИУ ВШЭ Андрей Савченко, чьи слова приводит пресс-служба вуза.
За последние годы ученые значительно продвинулись в разработке систем искусственного интеллекта и создали нейросети, способные выполнять нетривиальные задачи и даже "мыслить" креативно, создавая новые образцы искусства и технологий. Это стало возможным как благодаря развитию вычислительных систем, так и появлению новых математических принципов, описывающих устройство и работу систем машинного обучения.
При этом наиболее широко и плодотворно нейросети применяются для распознавания лиц и объектов, а также для классификации изображений — решения самой первой задачи, которая была освоена этими алгоритмами свыше десятилетия назад. Самые современные нейросети подобного типа не только способны определять объекты на фотографиях и видеороликах в режиме реального времени, но и дорисовывать их частичные изображения при необходимости.
Подобные системы, как отмечает профессор Савченко, идеально подходят для обеспечения работы систем "компьютерного зрения" для автономных дронов и автомобилей, а также для обработки данных, поступающих с систем видеонаблюдения. Дальнейшему повышению их эффективности мешает то, что рост точности работы этих нейросетей обычно сопровождается существенным снижением в скорости распознавания изображений.
Профессор Савченко разработал алгоритм, который позволяет значительно ускорить работу фактически любой подобной нейросети при помощи статистических методов последовательного анализа и множественных сравнений. Эти математические инструменты были разработаны специально для оценки того, как много замеров нужно провести в произвольном эксперименте, чтобы получить однозначный ответ или данные определенного уроня качества.
Как отмечает исследователь, в случае с системами "компьютерного зрения" эти математические подходы помогают системе искусственного интеллекта оценить то, как много слоев нейронов потребуется для решения задачи с заранее заданным минимальным уровнем точности. Это позволяет максимально быстро прийти к правильному ответу и при этом совершить минимум ошибок при распознавании изображения.
Как показали последующие опыты, этот подход повысил скорость распознавания изображений на 40%, что было особенно характерно для тех нейросетей, которые были обучены на очень ограниченном наборе фотографий или видеороликов. Ускорение их работы, как надеется профессор Савченко, значительно расширит практическое применение систем "компьютерного зрения" в быту и научной практике.
Источник: ТАСС
