Метод SDDE (Saliency-Diversified Deep Ensembles) позволяет решить проблему однородности ансамблей глубоких нейросетей компьютерного зрения. В нем используются карты внимания, фокусирующиеся на разных аспектах данных. Это уменьшает схожесть моделей и повышает их общую точность, благодаря чему идентификация объектов становится более надежной и диверсифицированной.

Кроме того, при работе с изображениями модели стали учитывать и незнакомую (не использовавшуюся при обучении) информацию, что позволило повысить точность идентификации ранее неизвестных нейросетям объектов.

Метод был представлен исследователями из T-Bank Al Research, НИТУ МИСИС и МФТИ в октябре 2024 года. Доступен как открытое ПО.

Репозиторий на GitHub

Препринт в arXiv

• Смотреть

#искусственный_интеллект#нейросети#компьютерное_зрение#машинное_обучение#open_source

#Т_Технологии#МИСИС#МФТИ