Создан алгоритм подбора идеальных нейросетей для гаджетов
Подход позволяет за очень короткое время подготовить оптимальный вариант системы ИИ, опираясь на технические характеристики гаджета.
Исследователи из России создали нейросетевой алгоритм, который подбирает идеальные системы машинного зрения на базе нейросетей для конкретных мобильных гаджетов с учетом их вычислительных мощностей и особенностей работы их камер.
Нейросеть максимально учитывает возможности конкретного мобильного устройства и позволяет сделать процесс выбора максимально быстрым – требуется всего 5-10 минут. Исследователи предложили использовать компаратор – алгоритм, который, не проводя измерений, за доли секунды выбирает из двух сетей-кандидатов наиболее точную до тех пор, пока не останется одна – самая подходящая.
Этот нейросетевой алгоритм был создан группой российских математиков при разработке системы, которая позволяет использовать так называемые генетические алгоритмы для подбора идеальной нейросети для работы на конкретном устройстве. Этот подход позволяет за очень короткое время подготовить оптимальный вариант системы ИИ, опираясь на технические характеристики гаджета.
Допустим, есть 500 маленьких подсетей. Все они сортируются, и из них выделяется сотня лучших, ожидаемо самых точных. Потом с помощью “мутации” и “скрещивания” из выбранных генерируются новые – еще более точные. Затем процесс повторяется. Такой подход называется генетическим алгоритмом, или эволюционным поиском.
Используя этот подход, исследователи из НИУ ВШЭ, а также их коллеги из НИТУ МИСИС и Института AIRI, разработали приложение для ОС Android, которое позволяет подобрать оптимальный алгоритм для распознавания лиц при помощи камеры смартфона, на который установлена разработка российских исследователей.
Последующие эксперименты показали, что предложенный метод устойчив к различным положениям лица. При этом разработанный учеными алгоритм позволяет найти вариации нейросети, которые быстро и при этом корректно определяют лица и находят одного и того же человека на разных снимках с 97-99% точностью. Исходный код разработки опубликован на платформе с открытым доступом.
Источник: nauka.tass.ru
