Новую ансамблевую нейросеть, которая с большей точностью определяет объекты на изображениях, не загруженных в базы данных, представили российские ученые на международной конференции по обработке изображений ICIP 2024 в Абу-Даби, об этом сообщили в пресс-службе Университета МИСИС.
По их словам, новый алгоритм в перспективе поможет развить сферу беспилотных транспортных средств и медицинской диагностики, где важно различать неопознанные элементы и графические артефакты.

С увеличением объема данных, объяснили в университете, возникает потребность в более надежных нейросетях, способных классифицировать новые объекты и распознавать технические помехи, которые неизбежно возникают при получении изображения.
Научный коллектив исследователей в сотрудничестве со студентами Университета МИСИС и МФТИ решили эту задачу, разработав ансамблевую нейросеть SDDE (Saliency Diversified Deep Ensembles). Она состоит из нескольких моделей, которые обучаются на подмножествах отдельно взятых баз данных и фокусируются на уникальных характеристиках изображений. В результате нейросеть определяет объекты на изображениях с минимальной погрешностью.
SDDE продемонстрировала наилучшие результаты по сравнению со схожими алгоритмами, сообщил один из авторов разработки, студент 3 курса Института компьютерных наук НИТУ МИСИС Максим Жданов.

«Мы предложили новый метод диверсификации ансамблей и повысили точность «мнения» нейросети при обнаружении данных вне распределения, что особенно важно для ее применения в реальных условиях. Например, устройство автопилота должно безошибочно определять объекты на дороге, чтобы предотвращать аварии. Или для правильной постановки медицинского диагноза требуется обширная база данных. Неоткалиброванные модели могут быть чрезмерно уверены в своих неверных предположениях. У нашей нейросети излишняя уверенность отсутствует, что позволяет ей более адекватно оценивать свои расчеты», — рассказал он.
По его словам, для лучшего обнаружения помех-артефактов исследователи использовали подход Outlier Exposure, который заключается в обучении модели на специальных наборах данных.