Искусственная нейронная сеть AOGNets показала впечатляющие результаты

Искусственная нейронная сеть AOGNets показала впечатляющие результаты

Специалистами университета штата Северной Каролины предложена новая технология построения глубоких искусственных нейронных сетей (ИНС) при помощи другого типа сетей – грамматических генераторов. Экспериментальное тестирование по визуальному распознаванию новых ИНС, получивших название «AOGNets», показало явное превосходство над существующими платформами современного вида. Например, подобными платформам «ResNet» и «DenseNet».

Глубокая нейронная грамматическая сеть

Платформа «AOGNets» демонстрирует лучшую точность прогнозирования по сравнению с любой из сетей, задействованных в сравнительных тестах. Кроме того, разработанная ИНС «AOGNets» более понятна чисто визуально (пользователям доступно видеть результаты работы).

Композиционный грамматический подход используется для доступа к архитектуре системы. Применяется всё лучшее, взятое из практики предыдущих сетевых систем. Тем самым достигается более эффективное извлечение сведений из массива необработанных данных.

Создатели ИНС обнаружили, что иерархическая и композиционная грамматика даёт простой элегантный способ объединения подходов, которые использовались предыдущими системными архитектурами. Вместе с тем впервые удалось использовать грамматику под создание сетей.

Чтобы провести полноценное исследование новой платформы, исследователям пришлось разрабатывать «AOGNets» с последующим тестированием в соответствии с тремя критериями классификации изображений:

  1. «CIFAR-10».
  2. «CIFAR-100».
  3. «ImageNet-1K».

Разработка ИНС «AOGNets» продемонстрировала значительно лучшую производительность по отношению к другим современным сетям, включая:

  • «ResNets»,
  • «DenseNets»,
  • «ResNeXts»,
  • «DualPathNets».

Помимо всего прочего, система «AOGNets» отметилась лучшим показателем интерпретируемости модели, используя метрику разбора сети в «ImageNet». Дополнительно «AOGNets» также демонстрирует высокий потенциал защиты и развертывания вне зависимости от платформы (мобильная / облачная среда).

В процессе исследований также проверялась производительность «AOGNets» по обнаружению объектов и семантической сегментации экземпляра, посредством теста «Microsoft COCO», при подключении системы «R-CNN Vanilla Mask».

Полученная результативность по тестовым операциям

Новая ИНС продемонстрировала лучшие результаты по сравнению с магистралями «ResNet» и «ResNeXt», для которых характерны меньшие размеры модели и несколько лучшее время вывода. Результаты тестирования показывают эффективность изучения возможностей сети и в задачах обнаружения объектов и сегментации.

Все обозначенные тесты актуальны, учитывая, что классификация изображений видится одной из основных базовых задач визуального распознавания. «ImageNet» является стандартным эталоном под крупномасштабные классификации.

Аналогичным образом, обнаружение и сегментация объектов рассматриваются двумя базовыми задачами высокого уровня зрения, а «MS-COCO» — один из наиболее широко используемых эталонных тестов.


При помощи информации: NCSU