В России разработали самую точную в мире технологию машинного зрения

Ученые из лаборатории исследований искусственного интеллекта (ИИ) T-Bank AI Research совместно со студентами Университета МИСИС и МФТИ разработали самый точный в мире метод по обнаружению ранее неизвестных объектов на фото с помощью ИИ.

Значимость открытия в том, что теперь риск ошибки при обработке и анализе изображений снизился более чем на 20%, что уменьшает необходимость перепроверки и исправления неверных решений человеком.

Метод получил название SDDE (Saliency-Diversified Deep Ensembles) и будет особенно востребован в сферах, требующих высокой точности анализа. В перспективе он поможет развить сферу беспилотных транспортных средств и медицинской диагностики, где важно различать неопознанные элементы и графические артефакты.

Суть изобретения заключается в использовании нового метода повышения эффективности глубоких ансамблей (deep ensembles) — мощного инструмента для задач, требующих высокой точности и надёжности, таких как медицинская диагностика или автономное вождение. Ансамбли глубокого обучения представляют собой комбинацию нескольких нейронных сетей, что позволяет повысить точность и устойчивость модели за счёт агрегирования предсказаний.

Глубокие ансамбли используют одинаковые модели для распознавания изображений. В подходе SDDE каждая модель фокусируется на разных аспектах данных, что видно на выделенных зонах — картах внимания. В SDDE карты сильнее различаются, например захватывается фон изображения

Однако традиционные ансамбли страдают от недостаточной диверсификации, что снижает их потенциал для обработки данных, выходящих за рамки распределения обучающей выборки (OOD — out-of-distribution). Это может привести к значительным ошибкам, так как модели не способны адекватно реагировать на данные, отличные от тех, что были в процессе их обучения. В таких случаях использование карт значимости помогает глубже оценить, какие именно области данных оказывают наибольшее влияние на итоговые предсказания.

Новый подход предлагает генерировать карты значимости для каждого участника ансамбля, что позволяет различать отдельные элементы ансамбля по важности и точности при распознавании OOD-данных. Это достигается путём использования карт, которые визуализируют, какие участки изображения или текста наиболее влияют на решение модели. Таким образом, модель способна учитывать специфические особенности данных, что повышает её устойчивость и точность.

В ходе исследований метод продемонстрировал улучшенную калибровку, точность предсказаний и способность обнаруживать данные вне распределения. Этот подход может найти применение в критически важных областях, где требуется высокая надёжность моделей, и, вероятно, станет основой для дальнейших исследований в области диверсификации ансамблей.

Для оценки эффективности метода ученые провели испытания на популярных базах данных: CIFAR10, CIFAR100 и ImageNet-1K. Метод SDDE продемонстрировал наилучшие результаты по сравнению со схожими алгоритмами, такими как Negative Correlation Learning и Adaptive Diversity Promoting.

Открытие было признано мировым научным сообществом и представлено на Международной конференции по обработке изображений (IEEE ICIP) в Абу-Даби, ОАЭ. Это одна из крупнейших научных конференций, посвященных обработке изображений и видео, а также компьютерному зрению.