ทีมนักวิจัยของ Google ได้พัฒนาวิธีการเลือกแบบจำลอง AI ที่หลีกเลี่ยงการแลกเปลี่ยนการคำนวณความช้าหรือความไม่ถูกต้องที่กำหนดในการตรวจจับวัตถุและแอพการจดจำใบหน้าโดยข้อ จำกัด ของฮาร์ดแวร์
ในกระดาษชื่อ“MNASNET: การค้นหาสถาปัตยกรรมประสาทที่ตระหนักถึงแพลตฟอร์มสำหรับมือถือ” นักวิจัยอธิบายว่าระบบ MNASNET อัตโนมัติของพวกเขาสามารถเลือกสถาปัตยกรรมประสาทจากรายการตัวเลือกในการออกแบบโมเดล Neural Network (CNN) ของ Convolutional (CNN) สำหรับอุปกรณ์มือถือข้อมูลความเร็วจะถูกเขียนลงในอัลกอริทึมการค้นหาอย่างชัดเจนเพื่อให้สามารถระบุความแม่นยำและความเร็วความเร็วที่ดีที่สุดสำหรับแอปพลิเคชัน
ด้วยวิธีการนี้ทีมประสบความสำเร็จเร็วกว่า Mobilenetv2 1.5 เท่าและเร็วกว่า NASNET ในงานการจำแนกประเภท Imagenet ด้วยความแม่นยำสูงสุด -1 เดียวกัน นอกจากนี้ยังมีความแม่นยำและความเร็วสูงกว่า Mobilenet ในการตรวจจับวัตถุ Coco ด้วยความแม่นยำเทียบเท่ากับรุ่น SSD300 แต่มีค่าใช้จ่ายในการคำนวณน้อยลง 35 เท่าโพสต์บล็อกโดยนักวิจัย Mingxing Tan
วิธีการนี้ประกอบด้วยคอนโทรลเลอร์ที่ใช้เครือข่ายประสาท (อิง RNN-based) แบบกำเริบสำหรับการเรียนรู้และการสุ่มตัวอย่างสถาปัตยกรรมผู้ฝึกสอนในการสร้างและฝึกอบรมโมเดลและเครื่องมือการอนุมานสำหรับการวัดความเร็วของรุ่นบนโทรศัพท์มือถือโดยใช้ TensorFlow Lite
นักวิจัยได้ทำงานเพื่อปรับปรุงประสิทธิภาพการทำงานของ AI สำหรับการปรับปรุงไบโอเมตริกส์มือถือที่ดีขึ้นด้วยการพัฒนาล่าสุดสำหรับการวิเคราะห์ภาพที่เกี่ยวข้องกับฮาร์ดแวร์ใหม่และนักวิจัย Qualcomm รายงานการปรับปรุงความแม่นยำในการรู้จำเสียงด้วยระบบที่ใช้ทั้ง CNN และ RNN
หัวข้อบทความ
ความแม่นยำ-ไบโอเมตริกซ์-การจดจำใบหน้า-Google-อุปกรณ์มือถือ-การวิจัยและพัฒนา
