Группа исследователей из России разработала методику, позволяющую применять низкоуровневые нейросети для ускорения обучения более сложных систем искусственного интеллекта, которые способны определять трехмерное местоположение объектов на изображениях, полученных с помощью лидаров. Об этом в пятницу сообщили в пресс-службе Института искусственного интеллекта AIRI.

«Мы начали работу над проектом параллельно с исследователями OpenAI, которые решили применить схожий подход для работы с текстами, тогда как наша команда сосредоточилась на компьютерном зрении. Интересно, что и сама идея, и полученные результаты показали свою состоятельность у обеих команд, которые пришли к схожим выводам не взаимодействуя друг с другом напрямую», — заявил руководитель группы «ИИ в промышленности» института AIRI Илья Макаров, чьи слова приводит пресс-служба института.

Учеными была создана компактная нейросеть, способная решать ключевые проблемы, возникающие при обучении крупных ИИ-систем, которые распознают трехмерные объекты. Такие алгоритмы важны для навигации беспилотников, однако сложности возникают из-за неполных данных на кадрах. Исследователи предложили предварительно обрабатывать изображения с помощью малой нейросети, что значительно повысило точность распознавания объектов.

Следуя данной концепции, ученые обучали компактную генеративную нейросеть на доступных данных изображений с лидара, полученных во время движения автомобиля по городским улицам. Затем эта небольшая, но высокая точность модели была применена для подготовки более крупной нейросети, которая функционировала на шумных изображениях с множеством сложных характеристик. Использование малой нейросети значительно улучшило точность распознавания реальных объектов — технология стала успешно предугадывать форму окружающих элементов, которые она могла бы увидеть только позже.

Такие достижения должны значительно повысить качество и безопасность функционирования навигационных систем беспилотных автомобилей и дронов. Кроме того, ученые предполагают, что аналогичным образом небольшие нейросети можно использовать для ускорения обучения и разработки других сложных ИИ-систем, а также для создания нейросетевых «учителей», которые могут ускорять учебный процесс для нескольких типов алгоритмов одновременно.

Источник: