Исследователи разработали BM YOLO — нейросеть для детектирования объектов, использующую биполярные морфологические нейроны. Вместо операций умножения, традиционных для нейросетей, BM YOLO применяет сложение и поиск максимума, что значительно снижает вычислительную сложность. Это достигается за счёт разделения входных данных и весов на положительные и отрицательные компоненты и дальнейшей обработки каждой ветки раздельно. Такая модификация позволяет работать быстрее и эффективнее при аппаратной реализации.
BM YOLO, основанная на архитектуре YOLOv3-tiny, проходит обучение в несколько этапов. Сначала происходит инициализация и дистилляция знаний с использованием предобученной модели. Затем сеть дообучается послойно, с акцентом на «голову» (выходной слой) и основную часть (backbone) поочередно, а затем повторяются итерации до достижения максимального качества. Такая схема обучения позволяет эффективно адаптировать модель к новым вычислительным методам.
Тестирование на наборе данных COCO показало, что BM YOLO достигает результатов по точности и полноте, сравнимых с оригинальной YOLOv3-tiny. Отмечено улучшение точности детектирования больших объектов, а также уменьшение количества ложных классификаций и ошибочно назначенных тегов. Это делает BM YOLO перспективной для использования в условиях ограниченных вычислительных ресурсов.
BM YOLO открывает путь для создания компактных и энергоэффективных ИИ-систем, работающих там, где ранее это было невозможно из-за высокой вычислительной сложности. Такие системы могут найти применение в автономных дронах, носимых устройствах, системах видеонаблюдения и других приложениях, где важна низкая потребляемая мощность и высокая производительность.
Изображение носит иллюстративный характер
BM YOLO, основанная на архитектуре YOLOv3-tiny, проходит обучение в несколько этапов. Сначала происходит инициализация и дистилляция знаний с использованием предобученной модели. Затем сеть дообучается послойно, с акцентом на «голову» (выходной слой) и основную часть (backbone) поочередно, а затем повторяются итерации до достижения максимального качества. Такая схема обучения позволяет эффективно адаптировать модель к новым вычислительным методам.
Тестирование на наборе данных COCO показало, что BM YOLO достигает результатов по точности и полноте, сравнимых с оригинальной YOLOv3-tiny. Отмечено улучшение точности детектирования больших объектов, а также уменьшение количества ложных классификаций и ошибочно назначенных тегов. Это делает BM YOLO перспективной для использования в условиях ограниченных вычислительных ресурсов.
BM YOLO открывает путь для создания компактных и энергоэффективных ИИ-систем, работающих там, где ранее это было невозможно из-за высокой вычислительной сложности. Такие системы могут найти применение в автономных дронах, носимых устройствах, системах видеонаблюдения и других приложениях, где важна низкая потребляемая мощность и высокая производительность.
