Facebook meningkatkan visi komputer AI dengan SEER
Ai

Facebook meningkatkan visi komputer AI dengan SEER


Kumpulan data gambar SEER. Kredit: Facebook

Pada saat banyak versi AI mengandalkan kumpulan data yang telah ditetapkan sebelumnya untuk pengenalan gambar, Facebook telah mengembangkan SEER (Self-supERvised) – solusi pembelajaran mendalam yang dapat mendaftarkan gambar di Internet terlepas dari kumpulan data yang dikurasi dan diberi label.

Dengan kemajuan besar yang sudah berlangsung dalam pemrosesan bahasa alami (NLP) termasuk terjemahan mesin, gangguan bahasa alami, dan jawaban pertanyaan, SEER menggunakan model visi komputer yang diawasi sendiri dengan miliaran parameter yang dapat belajar dari gambar online apa pun.

Sejauh ini, tim AI Facebook telah menguji SEER pada satu miliar gambar Instagram publik yang tidak dipoles dan tidak berlabel. Program baru ini berkinerja lebih baik daripada sistem yang diawasi sendiri paling canggih serta model yang diawasi sendiri pada tugas-tugas hilir seperti bidikan rendah, deteksi objek, deteksi gambar, dan segmentasi. Faktanya, eksposur ke hanya 10 persen dari kumpulan data ImageNet masih menghasilkan tingkat pengenalan 77,9 persen oleh SEER. Selain itu, SEER memperoleh tingkat akurasi 60,5 persen saat dilatih hanya pada 1 persen dari kumpulan data yang sama.

Sekarang Facebook telah menyaksikan kemampuan SEER untuk mengenali gambar Internet dalam pengaturan yang diterapkan, tim AI mendorong pengembang dan pihak lain yang berkepentingan di bidang pembelajaran mesin untuk berbagi ide untuk peningkatan dan pengetahuan mengenai kemampuan SEER. Perusahaan telah membuka diskusi ini melalui perpustakaan sumber terbuka, VISSL, yang digunakan untuk mengembangkan SEER.

Secara alami, pembelajaran mesin untuk bahasa versus pengenalan visual berbeda karena linguistik membutuhkan program untuk mengenali hubungan semantik antara kata dan definisi yang sesuai. Visi komputer, di sisi lain, harus mengidentifikasi bagaimana kelompok piksel individu untuk membentuk gambar yang lengkap. Teknologi vision yang berhasil mengatasi tantangan seperti itu menggunakan dua metode: 1) algoritme yang berlatih menggunakan sejumlah besar gambar online acak tanpa anotasi atau metadata, dan 2) jaringan yang cukup besar untuk menangkap dan mempelajari setiap komponen visual dari kumpulan data yang dimaksud .

Untuk mengurangi tantangan yang terkait dengan kapasitas komputasi untuk grafik dalam jumlah besar seperti itu, AI Facebook telah mengembangkan algoritme SwAV. Algoritme ini menggunakan pengelompokan online untuk mengelompokkan gambar dengan konsep visual yang serupa dengan cepat guna mengidentifikasi data visual serupa yang ditemui di kemudian hari. Sejauh ini, SwAV telah membantu SEER tampil dengan waktu pelatihan 6x lebih sedikit.

Selain penggunaan SEER dan VISSL untuk meningkatkan visi komputer dan pembelajaran mesin, Facebook telah menerapkan beberapa algoritme yang ada yang mengurangi kebutuhan memori per unit pemrograman grafis, sehingga meningkatkan kecepatan pelatihan model apa pun. Algoritme ini mencakup presisi campuran dari pustaka NVIDIA Apex, pemeriksaan gradien dari PyTorch, pengoptimal sharded dari pustaka FairScale, dan pengoptimalan khusus untuk pelatihan mandiri daring.


Kompleksitas kecerdasan buatan


Informasi lebih lanjut:
Goyal, P., dkk. “SIER: Awal dari Era yang Lebih Bertenaga, Fleksibel, dan Dapat Diakses untuk Visi Komputer.” AI Facebook, Facebook, 4 Maret 2021, ai.facebook.com/blog/seer-the-… untuk-computer-vision /

© 2021 Science X Network

Kutipan: Facebook meningkatkan visi komputer AI dengan SEER (2021, 6 Maret), diakses 6 Maret 2021 dari https://techxplore.com/news/2021-03-facebook-ai-vision-seer.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten tersebut disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Toto SGP