Anne compilée à partir de Google Blog de recherche
Qubit produit | Numéro public QbitAI
AutoML le développeur n'est pas un vocabulaire inconnu.
Il y a six mois, Google conférence des développeurs I / O, Google a lancé concevoir automatiquement une approche de modèle d'apprentissage machine AutoML, les réseaux de neurones veulent plus « accessibles ».
Bien que AutoML peut concevoir et la conception humaine des réseaux de neurones du même niveau des réseaux de neurones à petite échelle, mais toujours limité au-10 et ICRA Penn Treebank et d'autres petits ensembles de données.
Google a passé des années à explorer l'architecture de réseau de GoogleNet
Alors, AutoML comment effectuer la détection classification d'images IMAGEnet et objet COCO grands ensembles de données il?
Je dois dire que, appliqué aux deux ensembles de données énormes défis, leur ordre de grandeur bien plus que les 10 et-ICRA ensembles de données Penn Treebank. Si AutoML directement appliqué à IMAGEnet, il faut plusieurs mois pour ajuster la formation.
Pour que cette approche soit appliquée à IMAGEnet, les chercheurs AutoML ont fait deux ajustements pour tenir compte plus facilement gérer de grands ensembles de données:
Remaniement de l'espace de recherche, laissez AutoML trouver la meilleure couche de multi-empilés souple pour créer le réseau ultime.
Architecture fouille effectuée-10 ICRA et migrer vers la meilleure classification des images d'architecture IMAGEnet COCO et détection d'objets.
De cette façon, AutoML ICRA-10, respectivement, et la classification de l'image d'objet de détection optimale de IMAGEnet couche COCO trouvé. Les deux couches se combinent pour former une nouvelle architecture, que nous appelons « NASNet ».
l'architecture NASNet se compose de deux couches: couche normale (à gauche) et la couche de réduction (à droite), par deux conception AutoML
Dans la classification de l'image IMAGEnet, la précision de prédiction NASNet sur l'ensemble de validation a atteint 82,7%, sur l'ensemble avant que le modèle initial. En outre, NASNet les résultats de toutes les performances antérieures de 1,2%, comparable aux meilleurs résultats arXiv prépublications.
En outre, NASNet peut être ajustée pour produire un ensemble de modèles, leur précision à faible coût de calcul est toujours très émouvant. Par exemple, NASNet une petite version de la précision de 74% par rapport à la même plate-forme mobile à grande échelle, le modèle le plus avancé, ces données est de 3,1% plus élevé que celui-ci.
Grand NASNet obtenir la plus grande précision, alors que le coût sera calculé avant que le papier les meilleurs résultats dans la moitié.
Dans la classification de l'image IMAGEnet, NASNet et la plus précision du modèle humain avancé construit sur différentes tailles de modèle
Les chercheurs apprennent aussi à migrer de fonction IMAGEnet à la détection d'objet. Caractéristiques et cadre caractéristiques plus rapide-RCNN Dans l'expérience, les chercheurs ont appris de la combinaison de classification IMAGEnet, au-delà du meilleur prédicteur de la performance sur prépublications des tâches de détection cible COCO, aussi bien dans le grand modèle et un modèle d'optimisation mobile. Ce qui, mAP plus grand modèle (taux de précision moyenne) atteint 43,1%, mieux que les résultats publiés précédemment améliorés de 4%.
Des exemples de détection d'objets utilise NASNet plus rapide-RCNN
Les chercheurs croient que la fonction d'image sur NASNet IMAGEnet COCO et l'apprentissage seront utilisés dans de nombreuses applications de vision par ordinateur. Par conséquent, open source de chercheurs pour la classification de l'image et le raisonnement pour la détection d'objets et de détection d'objets dans la bibliothèque Slim tensorflow.
Enfin, avec le fonctionnaire Adresse:
https://research.googleblog.com/2017/11/automl-for-large-scale-image.html
Documents de recherche et prépublications portent sur:
https://arxiv.org/abs/1707.07012
- FIN -
recrutement sincère
Qubits recrutent éditeur / journaliste, basé à Zhongguancun de Beijing. Nous attendons de talent, des étudiants enthousiastes de nous rejoindre! Détails, s'il vous plaît interface de dialogue qubit numéro public (QbitAI), réponse mot "recrutement".
qubit QbitAI
' « suivre les nouvelles technologies AI dynamiques et de produits
