Nvidias STEAL AI bietet eine bessere Inferenzunterstützung für Computer-Vision-Modelle

Informatikforscher von Nvidia, der University of Toronto und dem Vector Institute of Artificial Intelligence in Toronto haben eine Möglichkeit entwickelt, genauer zu erkennen und vorherzusagen, wo ein Objekt beginnt und endet. Diese Art von Wissen kann dazu beitragen, die Schlussfolgerung für aktuelle Computer-Vision-Modelle zu verbessern und gleichzeitig die Kennzeichnung von Trainingsdaten für zukünftige Modelle zu unterstützen.

In einer Reihe von Experimenten des Forschungsteams fanden Wissenschaftler heraus, dass das künstliche Intelligenzmodell Semantical Thinned Edge Alignment Learning (STEAL) dazu beitragen kann, die Genauigkeit des Vorhersagemodells „semantische Grenze“ zu verbessern. „Modernes CASENet stieg um 4 %.“ Die Fähigkeit, die Grenzen und Kanten eines Objekts genauer zu identifizieren, könnte praktische Anwendungen für Computer-Vision-Aufgaben haben, von der Bilderzeugung bis zur 3D-Raumrekonstruktion, um Objekte zu erkennen.

• 5 geniale Köpfe auf dem Gebiet der KI arbeiten zusammen, um erstaunliche Roboter zu erschaffen

Semantisch ausgedünntes Kantenausrichtungslernen (STEAL)

STEAL kann zur Verbesserung bestehender CNNs oder Modelle zur Erkennung von Objektkanten eingesetzt werden, aber Forscher glauben auch, dass es ihnen dabei helfen kann, Daten effektiver zu kennzeichnen oder zu kommentieren. Computer-Vision-Modelle. Um diesen Punkt zu beweisen, nutzten Wissenschaftler die STEAL-Methode zur Verfeinerung von Cityscapes – einen Datensatz mit Inhalten im Zusammenhang mit der städtischen Umgebung – der erstmals auf der Machine Vision-Konferenz vorgestellt wurde. Computer Vision and Pattern Recognition (CVPR) im Jahr 2016.

Derzeit auf GitHub kann das STEAL-Framework mithilfe einer Methode, die Forscher als „aktive Ausrichtung“ bezeichnen, jede Ecke eines Objekts in Pixeln relativ genau lernen und vorhersagen. Explizite Überlegungen zum Annotationsrauschen während des Trainings und Level-Setting-Formeln für neuronale Netze beim Lernen aus voreingenommenen Etikettendarstellungen in einer End-to-End-Methode tragen ebenfalls dazu bei, Ergebnisse zu erzielen.

• Das MIT ist bestrebt, ein KI-Modell zu entwickeln, das fast wie ein Mensch fahren kann

Fähigkeit, Grenzen und Kanten eines Objekts genauer zu identifizieren

„Wir zeigen außerdem, dass unsere Vorhersagegrenzen diejenigen übertreffen, die wir aus den neuesten DeepLab-v3-Segmentausgaben erhalten haben, während wir nur die Architektur verwenden, die viel leichter ist“, sagte ein Vertreter des Forschungsteams in einem ausführlichen Interview mit der Nachrichtenseite arXiv.

Diese Forschungsarbeit trägt den Titel: „Devil is in the Edges: Learning Semantic Boundaries from Noisy Annotations“ und wird durch eine Präsentation im Rahmen der CVPR 2019-Konferenz, die in Long Beach, Kalifornien, stattfindet, umfassend vorgestellt. Experten von Nvidia Research haben einen wesentlichen Beitrag zu dieser Forschung geleistet und werden die Forschung beim diesjährigen CVPR auch gezielt aus persönlicher Perspektive vorstellen.

• Die japanische künstliche Intelligenz hat superrealistische virtuelle Models geschaffen

Laut neu gemeldeten Nachrichten sagte Nvidia, dass es im Jahr 2020 Hochleistungs-Computing-Hardwaresysteme des britischen Herstellers Arm und die Open-Source-Parsing-Inferenzsoftware TensorRT auf Github unterstützen wird , um eine stärkere Anpassung zu ermöglichen.