STEAL AI di Nvidia offre un migliore supporto di inferenza per i modelli di visione artificiale

I ricercatori informatici di Nvidia, dell'Università di Toronto e del Vector Institute of Artificial Intelligence di Toronto hanno ideato un modo per rilevare e prevedere in modo più accurato dove inizia e finisce un oggetto. Questo tipo di conoscenza può contribuire a migliorare l’inferenza per gli attuali modelli di visione artificiale, supportando al tempo stesso l’etichettatura dei dati di addestramento per i modelli futuri.

In una serie di esperimenti condotti dal gruppo di ricerca, gli scienziati hanno scoperto che il modello di intelligenza artificiale Semanically Thinned Edge Alignment Learning (STEAL) può aiutare a migliorare la precisione del modello di previsione del “confine semantico”. Il moderno CASENet è aumentato del 4%. La capacità di identificare con maggiore precisione i confini e i bordi di un oggetto potrebbe avere applicazioni pratiche per attività di visione artificiale, dalla generazione di immagini alla ricostruzione dello spazio 3D, fino al rilevamento di oggetti.

• 5 menti geniali nel campo dell'intelligenza artificiale si uniscono per creare robot straordinari

Apprendimento dell'allineamento dei bordi semanticamente assottigliato (STEAL)

STEAL può essere applicato per migliorare le CNN esistenti o i modelli di rilevamento dei bordi degli oggetti, ma i ricercatori ritengono anche che possa anche aiutarli a etichettare o annotare i dati in modo più efficace nei modelli di visione artificiale. Per dimostrare questo punto, gli scienziati hanno utilizzato il metodo STEAL per perfezionare Cityscapes - un set di dati con contenuti relativi all'ambiente urbano - presentato per la prima volta alla conferenza Machine Vision Computer Vision and Pattern Recognition (CVPR) nel 2016.

Attualmente su GitHub , il framework STEAL può apprendere e prevedere ogni angolo di un oggetto in pixel in modo relativamente accurato utilizzando un metodo che i ricercatori chiamano "allineamento attivo". Anche il ragionamento esplicito sul rumore delle annotazioni durante l'addestramento e le formule di impostazione del livello per le reti neurali nell'apprendimento da rappresentazioni distorte delle etichette in modo end-to-end aiutano a produrre risultati.

• Il MIT si impegna a sviluppare un modello di intelligenza artificiale in grado di guidare quasi come un essere umano

Capacità di identificare con maggiore precisione i confini e i bordi di un oggetto

"Mostriamo inoltre che i nostri limiti di previsione superano quelli ottenuti dagli ultimi risultati del segmento DeepLab-v3, mentre utilizzando solo l'architettura è molto più leggera", ha detto un rappresentante del gruppo di ricerca in un'intervista approfondita con il sito di notizie arXiv.

Questo lavoro di ricerca è intitolato: "Devil is in the Edges: Learning Semantic Boundaries from Noisy Annotations", e sarà ampiamente introdotto attraverso una presentazione nell'ambito della conferenza CVPR 2019 che si terrà a Long Beach, California. Gli esperti di Nvidia Research hanno dato un contributo significativo a questa ricerca e presenteranno specificamente la ricerca da una prospettiva personale al CVPR di quest'anno.

• L'intelligenza artificiale giapponese ha creato modelli di moda virtuali super realistici

Secondo le notizie recentemente riportate, Nvidia ha affermato che supporterà i sistemi hardware di elaborazione ad alte prestazioni del produttore britannico Arm nel 2020 e il software di inferenza di analisi TensorRT open source su Github per consentire una maggiore personalizzazione.