Nouveau cadre d'intelligence artificielle développé pour la technologie de détection de cible

Nouveau cadre d’intelligence artificielle développé pour la technologie de détection de cible

Cadre de structure du réseau. 1 crédit

Des chercheurs des Instituts de sciences physiques Hefei (HFIPS) de l’Académie chinoise des sciences (CAS) ont proposé un nouveau cadre d’intelligence artificielle pour la détection de cibles qui fournit une nouvelle solution pour une détection de cibles en ligne en temps réel rapide et de haute précision.

Des résultats pertinents ont été publiés dans Systèmes experts avec applications.

Ces dernières années, la théorie de l’apprentissage en profondeur a entraîné le développement rapide de la technologie de l’intelligence artificielle. La technologie de détection d’objets basée sur la théorie de l’apprentissage en profondeur est également couronnée de succès dans de nombreuses applications industrielles. Les recherches actuelles se concentrent sur l’amélioration de la vitesse ou de la précision de la détection des cibles et ne tiennent pas compte de l’efficacité et de la précision. Comment parvenir à une détection d’objets rapide et précise est devenu un défi important dans le domaine de l’intelligence artificielle.

Dans cette étude, les chercheurs ont découvert que l’un des principaux défauts de la technologie de détection de cible basée sur l’apprentissage en profondeur résidait dans l’extraction répétée de caractéristiques et la fusion de structures de réseau profondes, entraînant des coûts de calcul inutiles.

Par conséquent, ils ont proposé un cadre de reconnaissance cible multi-entrées à sortie unique (MiSo), qui est différent du modèle traditionnel multi-entrées et multi-sorties et réduit la complexité du modèle et la surcharge de temps d’inférence.

Nouveau cadre d'intelligence artificielle développé pour la technologie de détection de cible

Exemples de détection d’objets. 1 crédit

En outre, dans ce cadre, basé sur la théorie de détection eRF proposée précédemment, les chercheurs ont conçu trois nouveaux mécanismes d’apprentissage pour extraire les informations sur les caractéristiques des points chauds de manière plus précise et efficace, à savoir le mécanisme d’ajustement du champ réceptif, le mécanisme d’auto-apprentissage de l’attention résiduelle et eRF-. stratégie d’échantillonnage basée sur l’équilibre dynamique.

« Nous les avons nommés M2YOLOF », a déclaré Wang Hongqiang, qui dirigeait l’équipe, « il détecte les objets sur une carte de caractéristiques et fonctionne bien sur les petits objets. C’est aussi rapide que YOLOF (You Only Look One-level Feature), mais plus précis. « 

Ils l’ont essayé sur un benchmark de jeu de données standard et ont atteint une précision moyenne (AP) de 39,2 à une vitesse de 29 images par seconde. C’est 2,6 points d’accès de plus que le TridenNet-R50 à la pointe de la technologie.

Cette méthode fournit une nouvelle idée pour la recherche et l’application industrielle de la détection de cible.


Fourni par l’Académie chinoise des sciences