Nvidia 的 STEAL AI 為電腦視覺模型提供更好的推理支持

來自 Nvidia、多倫多大學和多倫多向量人工智慧研究所的電腦科學研究人員設計了一種方法，可以更準確地檢測和預測物件的開始和結束位置。此類知識可以幫助改進目前電腦視覺模型的推理，同時也支援未來模型的訓練資料標記。

在研究團隊的一系列實驗中，科學家發現人工智慧模型語義細化邊緣對齊學習（STEAL）可以幫助提高“語義邊界”預測模型的準確性。“現代 CASENet 提高了 4%。” 更準確地識別物體邊界和邊緣的能力可以在電腦視覺任務中實際應用，從影像生成到 3D 空間重建，以檢測物體。

• AI領域5位天才聯手打造令人驚嘆的機器人

語意細化邊緣對齊學習 (STEAL)

STEAL 可用於改進現有的 CNN 或物件邊緣偵測模型，但研究人員也相信它還可以幫助他們更有效地標記或註釋資料。電腦視覺模型。為了證明這一點，科學家們使用 STEAL 方法來完善 Cityscapes（一個與城市環境相關的內容的資料集），該資料集在 2016 年機器視覺會議電腦視覺和模式識別（CVPR）上首次推出。

目前在GitHub上，STEAL 框架可以使用研究人員稱為「主動對齊」的方法相對準確地以像素為單位學習和預測物件的每個角落。在訓練過程中對註釋雜訊的明確推理，以及神經網路以端到端方式從偏差的標籤表示中學習的水平設定公式也有助於產生結果。

• 麻省理工學院致力於開發一種幾乎可以像人類一樣駕駛的人工智慧模型

能夠更準確地辨識物件的邊界和邊緣

「我們進一步表明，我們的預測邊界優於從最新 DeepLab-v3 分段輸出獲得的預測邊界，同時僅使用架構要輕得多，」一位研究團隊代表在接受 arXiv 新聞網站的深度採訪時表示。

這項研究工作的標題是：“魔鬼在邊緣：從嘈雜的註釋中學習語義邊界”，並將通過在加州長灘舉行的 CVPR 2019 會議框架內的演講進行廣泛介紹。Nvidia Research 的專家為這項研究做出了重大貢獻，他們也將在今年的 CVPR 上專門從個人角度展示這項研究。

• 日本人工智慧打造超逼真虛擬時裝模特

根據最新報道，英偉達表示將在 2020 年支援英國製造商 Arm 的高效能運算硬體系統，並在Github上開源 TensorRT 解析推理軟體，以允許更多客製化。