Google AIが新世代の「物体検出」システムをリリース

[[319182]]

3月19日、Google BrainとAIチームは今週、EfficientDet（効率的検出）と呼ばれる人工知能システムをリリースしました。

このシステムは計算量を削減し、より効率的な検出ターゲットを取得します。

このシステムの開発者らは、CPU や GPU と併用した場合、YOLO や AmoebaNet などの他の一般的な検出モデルよりも高速なパフォーマンスも実現できると述べています。

EfficientDet は、物体検出に関連する別のタスクでも優れたパフォーマンスを達成しました。 PASCAL を使用してオブジェクトを視覚化し、データセットをトレーニングしてセマンティック セグメンテーション実験を実行します。

EfficientDet は、Coral ボード シングルボード コンピューター向けに昨年提供された一連の高度なオブジェクト検出モデルである EfficientNet の更新バージョンです。 Google のエンジニアである Mingxing Tan、Ruoming Pang、Quoc Le の 3 人は、昨年秋に初めて発表した論文で EfficientDet の詳細を説明したが、日曜日にその論文 (コードを含む) を改訂し、更新した。

「精度と効率を最適化することを目標に、使用要件を満たすさまざまなモデルを開発したいと考えています」と、物体検出のためのニューラルネットワークアーキテクチャの設計を研究した論文には記されている。

物体検出をスケーリングする既存の方法は、精度を犠牲にしたり、リソースを大量に消費したりすることが多いと著者らは述べている。 EfficientDet は、「すべてのバックボーン、特徴ネットワーク、ボックス/クラス予測ネットワークの解像度、深度、幅を同時にスケーリング」することで、エッジまたはクラウドでオブジェクト検出を展開するための、より安価でリソースをあまり消費しない方法を可能にします。

「モデルのサイズが巨大で計算​​コストが高いため、モデルのサイズとレイテンシが厳しく制約されるロボット工学や自動運転車などの多くの現実世界のアプリケーションへの導入が妨げられている」と論文には書かれている。 「これらの現実世界のリソース制約を考慮すると、物体検出においてモデルの効率性がますます重要になります。」

EfficientDet の最適化は、Tan と Le による EfficientNet に関するオリジナルの研究に触発されています。バックボーン ネットワークとフィーチャ ネットワークの結合複合スケーリング手法を提案します。このうち、特徴ネットワークとしては双方向特徴ピラミッドネットワーク（BiFPN）が使用され、バックボーンネットワークとしてはImageNet事前学習済み特徴ネットワークが使用されます。

EfficientDet は、入力エッジが 1 つだけのノードを削除してクロススケール接続を最適化し、よりシンプルな双方向ネットワークを作成します。また、効率性とシンプルさで知られるオブジェクト検出器の一種であるシングルステージ検出器パラダイムにも依存しています。

「我々は、特徴融合中に各入力に追加の重みを追加して、ネットワークが各入力特徴の重要性を学習することを提案する」と論文には書かれている。

これは Google からの最新の物体検出ニュースです。Google の物体検出用 Google Cloud Vision システムは最近、公開 API から男性と女性のラベルを削除しました。

KHARI JOHNSON 著