Nový rámec zlepšuje výkonnosť hlbokých neurónových sietí

V experimentálnych testoch nové siete – nazývané AOGNets – prekonali existujúce stavové rámce, vrátane široko používaných systémov ResNet a DenseNet, pri úlohách vizuálneho rozpoznávania.

buňka
 
"AOGNets majú lepšiu presnosť predpovedí ako ktorákoľvek zo sietí, s ktorými sme ich porovnávali," hovorí Tianfu Wu, odborný asistent elektrotechniky a výpočtovej techniky v NC štáte a zodpovedajúci autor práce o práci. "AOGNets sú tiež viac interpretovateľné, čo znamená, že užívatelia môžu vidieť, ako systém dosahuje svoje závery."
 
Nový rámec využíva kompozičný gramatický prístup k systémovej architektúre, ktorý čerpá z najlepších postupov z predchádzajúcich sieťových systémov, aby efektívnejšie získaval užitočné informácie zo základných údajov.
 
"Zistili sme, že hierarchická a kompozičná gramatika nám dala jednoduchý, elegantný spôsob zjednotenia prístupov predchádzajúcich architektúr systému a podľa našich najlepších vedomostí je to prvá práca, ktorá využíva gramatiku pre generovanie siete," hovorí Wu.
 
Ak chcete otestovať ich nový rámec, výskumníci vyvinuli AOGNets a testovali ich na základe troch porovnávacích kritérií: CIFAR-10, CIFAR-100 a ImageNet-1K.

sci-fi
 
Výskumníci tiež testovali výkon pri detekcii objektov a sémantickej segmentácii inštancií na benchmarku Microsoft COCO pomocou systému vanilla Mask R-CNN.
 
"AOGNets získal lepšie výsledky ako chrbticovú sieť ResNet a ResNeXt s menšími rozmermi modelov a podobným alebo mierne lepším časom inferencie," hovorí Wu. "Výsledky ukazujú efektívnosť učenia lepšie funkcie v oblasti detekcie objektov a segmentácie úlohy.
 
Tieto testy sú relevantné, pretože klasifikácia obrázkov je jednou z hlavných základných úloh v oblasti vizuálneho rozpoznávania a ImageNet je štandardom pre štandardnú klasifikáciu vo veľkom meradle. Podobne, detekcia a segmentácia objektov sú dve hlavné úlohy na videnie na vysokej úrovni a MS-COCO je jedným z najpoužívanejších benchmarkov.