研究人员开发了紧凑实现图像识别人工智能的新方法

　　

　　

　　用于图像识别的人工智能(AI)技术具有模仿人类视觉和大脑神经元的结构。有三种已知的方法可以减少计算和计算视觉和神经元组件所需的数据量。到目前为止，这些方法的适用比例都是通过反复试验确定的。

　　筑波大学的研究人员开发了一种新算法，可以自动识别每种方法的最佳比例。该算法有望降低人工智能技术的功耗，并为半导体的小型化做出贡献。

　　卷积神经网络(cnn)在机场入境时的面部识别和自动驾驶汽车中的物体检测等应用中至关重要。

　　cnn由卷积层和全连接层组成;前者模拟人类的视觉，而后者使大脑能够从视觉数据中推断出图像的类型。

　　通过减少计算中使用的数据位数，cnn可以在保持识别精度的同时大幅降低计算需求。这种效率使得支持硬件更加紧凑。

　　到目前为止，已经确定了三种简化方法:网络精简(NS)以最小化视觉成分，深度压缩(DC)以减少神经元成分，以及整数量化(IQ)以减少所使用的比特数。以前，对于这些方法的执行顺序或分配没有明确的指导方针。

　　发表在《IEEE Access》上的这项新研究表明，这些最小化数据量的方法的最佳顺序是IQ，其次是NS和DC。此外，研究人员还开发了一种算法，可以自主确定每种方法的应用比例，从而消除了反复试验的必要性。

　　该算法可以将CNN压缩到比以前的模型小28倍，快76倍。

　　这项研究的意义是，通过大幅降低计算复杂性、功耗和人工智能半导体设备的尺寸，有望改变人工智能图像识别技术。这一突破可能会增强部署先进人工智能系统的广泛可行性。

　　更多信息:田丹和等，基于量化的CNN模型启发式压缩方法，结构化和非结构化剪枝技术，IEEE Access(2024)。DOI: 10.1109/ Access .2024.3399541期刊信息:IEEE Access由筑波大学提供引文:研究人员开发了一种紧凑实现图像识别AI的新方法(2024年6月6日)检索自https://techxplore.com/news/2024-06-method-compactly-image-ai.html。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。