Российская компания «Криптонит» научила нейросети распознавать миллионы объектов без увеличения модели и требований к видеопамяти. Метод пригоден для медицины, ритейла, биометрии и промышленности.
Компания «Криптонит» разработала инновационный подход к обучению нейросетей, позволяющий распознавать миллионы уникальных объектов, не увеличивая размер модели и требования к видеопамяти.
Новая методика, предложенная экспертом Никитой Габдуллиным, использует конфигурацию скрытого пространства (LSC, Latent Space Configuration). Это позволяет масштабировать системы машинного зрения даже там, где обучение с учителем затруднено или невозможно.
Решение расширяет возможности ИИ в самых разных областях: от медицины и безопасности до ритейла и банковских сервисов. Его можно применять для обнаружения патологий на снимках, биометрической аутентификации, распознавания товаров, минералов и синтетических материалов.
Традиционный подход Supervised Learning требует увеличения числа параметров нейросети с ростом количества классов. Метод LSC устраняет эту зависимость: точность распознавания остаётся высокой — 87,1% при 1,28 млн изображений и 22 млн параметров модели ViT-S. Одновременно снижаются требования к видеопамяти.
«Метод LSC открывает дорогу для разработки ИИ-систем, способных работать с гигантскими наборами категорий, что особенно важно при динамичном развитии рынка», — отметил Никита Габдуллин.
Разработки «Криптонита» включают и другие методы повышения надежности ИИ, например, точное прогнозирование поведения нейросетей при смене данных, а также технологии повторного распознавания людей и измерения пульса по видео.
Читать далее:
Вселенная внутри черной дыры: наблюдения «Уэбба» подтверждают странную гипотезу
Испытания ракеты Starship Илона Маска вновь закончились взрывом в небе
Сразу четыре похожих на Землю планеты нашли у ближайшей одиночной звезды
Обложка: freepik
