T-Bank AI Research совместно со студентами МИСИС и МФТИ разработали метод SDDE (Saliency-Diversified Deep Ensembles) для улучшения распознавания ИИ ранее неизвестных объектов на фотографиях |
||
МЕНЮ Главная страница Поиск Регистрация на сайте Помощь проекту Архив новостей ТЕМЫ Новости ИИ Голосовой помощник Разработка ИИГородские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Искусственный интеллект Слежка за людьми Угроза ИИ ИИ теория Внедрение ИИКомпьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Нейронные сети начинающим Психология ИИ Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Творчество ИИ Техническое зрение Чат-боты Авторизация |
2024-11-03 12:28 T-Bank AI Research совместно со студентами МИСИС и МФТИ разработали (https://arxiv.org/pdf/2305.11616) метод SDDE (Saliency-Diversified Deep Ensembles) для улучшения распознавания ИИ ранее неизвестных объектов на фотографиях. Этот метод снизил риск ошибок более чем на 20%, уменьшая необходимость перепроверки решений человеком. SDDE использует карты внимания, фокусирующиеся на разных аспектах данных, что повышает точность и надёжность идентификации объектов. Метод был представлен на Международной конференции по обработке изображений (IEEE ICIP) в Абу-Даби. SDDE объединяет несколько нейронных сетей для улучшения распознавания и анализа изображений. Учёные решили проблему однородности ансамблей, что увеличило эффективность модели. SDDE важен для сфер, требующих высокой точности анализа, таких как беспилотные транспортные средства и медицинская диагностика. Исследование показало, что нейронные сети стали лучше распознавать изображения, отличающиеся от обучающих данных, что важно для безопасного использования ИИ в критически важных областях. Источник: arxiv.org Комментарии: |
|