Израильские учёные создали новую архитектуру нейросетей для распознавания объектов и изображений

Новый подход правильно классифицировал 99,07% изображений.

Исследователи из Израиля разработали новую архитектуру нейросетей, которая превосходит классические сверточные сети при решении задач, связанных с распознаванием изображений и компьютерным зрением. Работа опубликована в журнале Scientific Reports. О результатах в понедельник сообщила пресс-служба университета Бар-Илан.

«Нам удалось показать, что простая архитектура системы машинного обучения, построенная на базе дендритных деревьев, способна лучше классифицировать объекты и изображения, чем это удается делать многослойным глубинным сверточным сетям. Это открывает дорогу для создания более эффективных алгоритмов и природоподобных систем искусственного интеллекта», — заявил профессор университета Бар-Илан в Рамат-Гане (Израиль) Идо Кантер, чьи слова приводит пресс-служба вуза.

Профессор Кантер и его коллеги разработали новую архитектуру нейросетей, которая позволит значительно упростить и ускорить их работу. Как отмечают ученые, по своим принципам работы она больше похожа на реальные ткани мозга человека, чем на ныне существующие многослойные сверточные нейросети, в которых информация последовательно обрабатывается десятками или даже сотнями отдельных наборов нейронов.

Новая форма нейросетей

Израильские математики выяснили, что устройство систем машинного обучения можно радикально упростить, если использовать при разработке нейросетей своеобразные деревья из аналогов нервных клеток, похожих по устройству на дендриты природных нейронов. Система машинного обучения в данном случае организована в виде нескольких «деревьев», состоящих из ветвящихся наборов аналогов нейронов, связанных сразу с несколькими последующими наборами клеток.

Ключевая особенность этих «деревьев» заключается в том, что каждая их ветвь соединена лишь с одним выходом (одним из вариантов окончательного ответа). По словам исследователей, это значительно упрощает и ускоряет расчеты по сравнению с классическими сверточными нейросетями, которые при поиске ответа задействуют огромное число потенциально связанных с ним и не связанных нейронов.

Работу этого подхода ученые проверили на стандартизированном наборе изображений из базы данных MNIST, которая традиционно применяется при оценке эффективности систем машинного обучения и компьютерного зрения. Тесты показали, что созданный подход правильно классифицировал 99,07% изображений, что сопоставимо с качеством работы классической нейросети LeNet-5 (99,05%).

Создание этой архитектуры нейросетей, как надеются ученые, приведет к разработке специализированных устройств, которые будут максимально быстро просчитывать работу подобных «дендритных» систем машинного обучения. Это позволит снизить затраты энергии на работу искусственного интеллекта, подытожили исследователи.