Google의 새로운 신경망은 널리 사용되는 유사 제품보다 훨씬 더 정확하고 빠릅니다.

인간 시각 피질의 생물학적 과정에서 영감을 얻은 CNN(컨벌루션 신경망)은 물체 및 얼굴 인식과 같은 작업에 적합하지만 정확성을 높이려면 지루하고 미세한 조정이 필요합니다. 이것이 바로 Google AI Research의 과학자들이 "보다 구조화된" 방식으로 CNN을 확장하는 새로운 모델을 탐색하고 있는 이유입니다. 그들은 그들의 작업 결과를 다음과 같이 발표했습니다. 기사 "EfficientNet: 컨볼루셔널 신경망을 위한 모델 스케일링 재고", 과학 포털 Arxiv.org 및 출판 귀하의 블로그에. 공동 저자들은 EfficientNets라고 불리는 인공 지능 시스템 제품군이 표준 CNN의 정확도를 뛰어넘고 신경망의 효율성을 최대 10배까지 높인다고 주장합니다.

"모델 확장의 일반적인 관행은 CNN의 깊이나 너비를 임의로 늘리고 훈련 및 평가를 위해 입력 이미지의 더 높은 해상도를 사용하는 것입니다."라고 직원 소프트웨어 엔지니어 Mingxing Tan과 Google AI 수석 과학자 Quoc V.Le가 작성했습니다. "폭, 깊이, 입력 해상도와 같은 네트워크 매개변수를 임의로 확장하는 기존 접근 방식과 달리, 우리의 방법은 고정된 배율 인수 세트를 사용하여 각 차원을 균일하게 확장합니다."

성능을 더욱 향상시키기 위해 연구원들은 EfficientNets 모델 제품군의 기반이 되는 새로운 백본 네트워크인 MBConv(모바일 역병목 컨볼루션)를 사용할 것을 권장합니다.

테스트에서 EfficientNets는 기존 CNN보다 더 높은 정확도와 더 나은 효율성을 모두 입증하여 매개변수 크기와 계산 리소스 요구 사항을 몇 배나 줄였습니다. 모델 중 하나인 EfficientNet-B7은 유명한 CNN Gpipe보다 8,4배 작은 크기와 6,1배 향상된 성능을 보여주었으며, 84,4%와 97,1%의 정확도(Top-1 및 Top-5)를 달성했습니다.50 결과) ImageNet 세트. 인기 있는 CNN ResNet-4과 비교하여 또 다른 EfficientNet 모델인 EfficientNet-B82,6는 유사한 리소스를 사용하여 ResNet-76,3의 50%에 비해 XNUMX%의 정확도를 달성했습니다.

EfficientNets 모델은 CIFAR-100 데이터세트(91,7% 정확도) 및 꽃들 (98,8 %).

Tan과 Li는 "신경 모델의 효율성을 크게 향상시킴으로써 EfficientNets가 미래의 컴퓨터 비전 작업을 위한 새로운 프레임워크 역할을 할 수 있을 것으로 기대합니다"라고 썼습니다.

Google의 클라우드 TPU(텐서 처리 장치)에 대한 소스 코드와 교육 스크립트는 다음에서 무료로 제공됩니다. 깃허브.

출처 : 3dnews.ru