엔비디아(Nvidia), 토론토 대학(University of Toronto), 토론토 인공 지능 벡터 연구소(Vector Institute of Artificial Intelligence)의 컴퓨터 과학 연구원들은 물체가 시작하고 끝나는 위치를 보다 정확하게 감지하고 예측하는 방법을 고안했습니다. 이러한 종류의 지식은 현재 컴퓨터 비전 모델에 대한 추론을 개선하는 동시에 미래 모델에 대한 교육 데이터 라벨링을 지원하는 데 도움이 될 수 있습니다.
연구팀의 일련의 실험에서 과학자들은 인공지능 모델 STEAL(Semantically Thinned Edge Alignment Learning)이 '의미 경계' 예측 모델의 정확도를 향상시키는 데 도움이 될 수 있음을 발견했습니다.” Modern CASENet은 4% 증가했습니다. 물체의 경계와 가장자리를 보다 정확하게 식별하는 능력은 이미지 생성에서 3D 공간 재구성에 이르기까지 컴퓨터 비전 작업에 실용적으로 응용되어 물체를 감지할 수 있습니다.
의미론적으로 얇은 가장자리 정렬 학습(STEAL)
STEAL은 기존 CNN이나 객체 가장자리 감지 모델을 개선하는 데 적용될 수 있지만, 연구자들은 이것이 데이터에 보다 효과적으로 레이블을 지정하거나 주석을 추가하는 데에도 도움이 될 수 있다고 믿습니다.컴퓨터 비전 모델. 이 점을 증명하기 위해 과학자들은 STEAL 방법을 사용하여 2016년 Machine Vision 컨퍼런스에서 처음으로 소개된 도시 환경과 관련된 콘텐츠가 포함된 데이터 세트인 Cityscapes를 개선했습니다.컴퓨터 비전 및 패턴 인식(CVPR).
현재 GitHub 에서 STEAL 프레임워크는 연구원들이 "활성 정렬"이라고 부르는 방법을 사용하여 객체의 각 모서리를 픽셀 단위로 비교적 정확하게 학습하고 예측할 수 있습니다. 훈련 중 주석 노이즈에 대한 명시적인 추론과 편향된 레이블 표현을 통해 엔드투엔드 방식으로 학습할 때 신경망에 대한 수준 설정 공식도 결과를 생성하는 데 도움이 됩니다.

연구팀 관계자는 arXiv 뉴스 사이트와의 심층 인터뷰에서 "우리는 예측 경계가 최신 DeepLab-v3 세그먼트 출력에서 얻은 것보다 성능이 뛰어나며 아키텍처만 사용하면 훨씬 가볍다는 것을 보여줍니다."라고 말했습니다 .
이번 연구 작업의 제목은 "Devil is in the Edges: Learning Semantic Boundaries from Noisy Annotations"이며, 캘리포니아주 롱비치에서 열리는 CVPR 2019 컨퍼런스 프레임워크 내에서 프레젠테이션을 통해 널리 소개될 예정입니다. Nvidia Research의 전문가들은 이 연구에 상당한 기여를 했으며, 올해 CVPR에서 개인적인 관점에서 연구를 구체적으로 발표할 예정입니다.
새로 보도된 뉴스에 따르면, Nvidia는 2020년에 영국 제조업체 Arm의 고성능 컴퓨팅 하드웨어 시스템과 Github 의 오픈 소스 TensorRT 구문 분석 추론 소프트웨어를 지원하여 더 많은 사용자 정의를 허용할 것이라고 밝혔습니다.
