24小时联系电话:185 8888 888

要闻
您现在的位置: 首页 > 要闻 > IBM的StarNet将可解释的AI引入图像分类
  • 零食新鲜化,来伊份的产品溯源里藏着这些秘密···

    零食新鲜化,来伊份的产品溯源里藏着这些秘密···

    发布时间:2023/07/03

    在“新鲜零食”的战略引领下,“主板零食第一股”来伊份迈入了企业发展的第23个年头,其传统的线下溯源活动“寻鲜之旅”也已经发展至第九届,本次再度启程将探索芒果之乡——百色,继续为用户展现以“青山绿水”铸“新鲜零食...

  • 雷科智途联合太平洋财产保险共同举办商用车AEBS防碰撞演示活动

    雷科智途联合太平洋财产保险共同举办商用车AEBS防碰撞演示活动

    发布时间:2022/01/04

    2021年12月16日,“安全出行·科技护航”-商用车自动紧急制动系统(AdvancedEmergencyBrakingSystem,简称“AEBS”)防碰撞演示在山东省青岛莱西市隆重举行。出席本次活动的领导和嘉宾有:莱西市应急管理局副局长李凌云...

  • 剑南春再传喜报,两年蝉联四次冠军

    剑南春再传喜报,两年蝉联四次冠军

    发布时间:2021/12/14

    2021年“双12”天猫年终购物节战报出炉,剑南春天猫平台官方旗舰店以超高人气和火爆的销量,勇夺天猫“双12”白酒品牌旗舰店交易指数第一名。 剑南春领跑榜单,两年蝉联四次冠军 剑南春在线上购物狂欢节上一直有着不...

  • 百年变局新机遇 第九届岭南论坛在广州举行

    百年变局新机遇 第九届岭南论坛在广州举行

    发布时间:2021/11/22

    11月21日,第九届岭南论坛在广州成功举办。本次论坛围绕“百年变局新机遇”主题,原中国银行业监督管理委员会主席刘明康,中山大学岭南学院教授、博导、广东省人民政府参事陆军,斯坦福大学教授、2001年诺贝尔经济...

  • 破记录的2万亿美元刺激计划中有什么?

    破记录的2万亿美元刺激计划中有什么?

    发布时间:2020/03/27

    经过几天的谈判,美国参议院今晚对第三项反对冠状病毒危机的法案进行投票。前两个法案着重于为医学研究提供资金并向病毒受害者提供经济支持,而“第三阶段”刺激法案则是对整个美国经济的大规模救助方案。这将花费...

  • 世界在煤炭支持上花费了半万亿美元

    世界在煤炭支持上花费了半万亿美元

    发布时间:2020/03/17

    全世界的国家有可能继续支持煤炭行业,而不是投资于成本更低,对环境更友好的风能和太阳能项目,从而浪费6400亿美元。 金融智囊团Carbon Tracker在周四发布的一份报告中说,全球60%的燃煤发电厂以比可再生能源替...

  • 您还不知道怎么毫无危险的投资?

    您还不知道怎么毫无危险的投资?

    发布时间:2020/03/13

    查看了许多财务平台,阅读有关加密货币、证券交易所的信息并没找到了答案? 我也处于过类似情况。我现在写出这篇文章,以帮助您与AlysDax公司一起开始工作! 前几天,我的朋友建议我AlysDax平台,哪个专为机构投...

  • MK FOREX提醒您:黄金:迈向短期阻力的路上

    MK FOREX提醒您:黄金:迈向短期阻力的路上

    发布时间:2020/03/02

    金价延续自1625美元/盎司开始的反弹 正常的RSI情况表明反弹将持续 关键的斐波纳奇回撤位,附近的上升趋势线限制了短线下跌 截至周四早间,金价在每盎司1,650美元附近。金价周三走出了U型走势。 黄金价格最近从162...

IBM的StarNet将可解释的AI引入图像分类

发布时间:2020/03/21 要闻 浏览次数:526

 
在预印服务器Arxiv.org上发表的一篇论文中,IBM的研究人员提出了StarNet,这是一种端到端的可训练图像分类器,能够对它认为是支持其预测的关键区域进行定位。除了解决视觉分类的任务外,StarNet还支持弱监督的少发球物体检测的任务,因此仅需要少量的嘈杂数据即可达到合理的准确性。
StarNet可以提高透明度,并减少自动驾驶汽车和自动工业机器人等新视觉领域所需的培训数据量。通过扩展,它可以减少涉及分类器的AI项目的部署时间,调查显示范围在8到90天之间。
StarNet由连接到提取器的几个分类器模块组成,这两个模块均以元学习的方式进行训练,其中从课程中随机抽取情节。每个情节包括针对给定图像基本类(例如“乌龟”,“鹦鹉”,“鸡”和“狗”)的支持样本和随机查询样本。
StarNet尝试对每对支撑和查询图像进行几何匹配,以将两个图像之间任意形状的区域匹配到局部变形(以适应形状变化)。训练会驱动匹配的区域,以与共享相同类标签的图像对上存在的类实例的位置相对应,从而对实例进行本地化。在本地化后,StarNet会突出显示常见的图像区域,从而深入了解其如何做出预测。
在实验中,研究人员仅使用类别标签进行训练,验证和所有支持图像,这些数据来自包括miniImageNet数据集,CIFAR-FS和FC100在内的数据集,它们均具有100种随机选择的类别。 CUB拥有11788张200种鸟类的图像; ImageNetLOC-FS,其中包括331种动物。他们在一张Nvidia K40图形卡上使用了2,000集进行验证,并进行了1,000个测试,因此平均运行时间从每批1.15秒到每批2.2秒。
在少量完成的分类任务中,StarNet的性能要比最新基准高出5%。对于弱监督的少发球物体检测,该模型所获得的结果比所有比较基线所获得的结果“大幅度提高”。该团队将这种强大的性能归功于StarNet通过本地化对对象进行分类的诀窍。
“未来的工作方向包括将StarNet扩展到有效的端到端可微分多尺度处理,以更好地处理非常小的物体。利用StarNet在培训过程中做出的位置预测进行迭代优化;并仅使用几个示例将StarNet应用于需要精确定位的其他应用程序,例如视觉跟踪。”
人们通常认为,随着AI系统的复杂性增加,它的解释性必然会越来越差。但是研究人员已经开始用Facebook的Captum之类的库挑战这一概念,该库解释了神经网络使用深度学习框架PyTorch以及IBM的AI Explainability 360工具包和Microsoft的InterpretML做出的决策。就Google而言,它最近详细介绍了一个解释图像分类器如何进行预测的系统,而OpenAI详细介绍了一种可视化AI决策的技术。