به گزارش سرویس تازه های دنیای فناوری مجله عصر اطلاعات ،
یکی از این عناصر به مدل کمک میکند تا تعاملات ویژگیهای محلی را بگیرد و ضعف تابع خطی در استخراج اطلاعات محلی را کاهش دهد. دومی، ماژولی که یادگیری چند مقیاسی را امکان پذیر میکند که مدل بتواند اشیاء بزرگ و کوچک را تشخیص دهد.
آنها افیشینتویت را با معماری سختافزاری طراحی کردند، بنابراین میتوان آن را بر روی انواع مختلف دستگاهها مانند هدستهای واقعیت مجازی یا رایانههای لبه در وسایل نقلیه خودران، آسانتر اجرا کرد. مدل آنها همچنین میتواند برای سایر وظایف بینایی کامپیوتری مانند طبقه بندی تصویر اعمال شود.
واحد پردازش گرافیکی انویدیا ۹ برابر سریعتر عمل میکند
هنگامی که آنها مدل خود را روی مجموعه دادههای مورد استفاده برای تقسیمبندی معنایی آزمایش کردند، دریافتند که واحد پردازش گرافیکی انویدیا ۹ برابر سریعتر از سایر مدلهای محبوب ترانسفورماتور بینایی عمل میکند.
هان در این باره میگوید: «اکنون میتوانیم بهترین مدلها را داشته باشیم و محاسبات را به اندازهای سریع کاهش دهیم که بتوانیم آن را روی دستگاههای موبایل و ابری اجرا کنیم.»
بر اساس این نتایج، محققان میخواهند از این تکنیک برای سرعت بخشیدن به مدلهای یادگیری ماشینی مولد، مانند مدلهایی که برای تولید تصاویر جدید استفاده میشوند، بهره بگیرند. آنها همچنین میخواهند به افزایش مقیاس افیشینتویت برای سایر وظایف بینایی بپردازند.
به گفته «لو تیان»، مدیر ارشد الگوریتمهای هوش مصنوعی در شرکت «ایامدی» (AMD) مدلهای ترانسفورماتور کارآمد اکنون ستون فقرات تکنیکهای پیشرفته در وظایف مختلف بینایی رایانهای از جمله تشخیص و تقسیمبندی را تشکیل میدهند. تحقیقات آنها نه تنها کارایی و توانایی ترانسفورماتورها را نشان میدهد، بلکه پتانسیل بسیار زیاد آنها را برای کاربردهای دنیای واقعی مانند افزایش کیفیت تصویر در بازیهای ویدئویی نشان میدهد.
فشردهسازی مدل و طراحی مدل سبکوزن، موضوعات تحقیقاتی حیاتی برای محاسبات هوش مصنوعی کارآمد، بهویژه در زمینه مدلهای پایه بزرگ هستند.
«جی جکسون»، معاون جهانی هوش مصنوعی میگوید: «گروه پروفسور سونگ هان پیشرفت قابلتوجهی در فشردهسازی و تسریع مدلهای یادگیری عمیق مدرن، بهویژه ترانسفورماتورهای بینایی نشان دادهاند.»
منبع: اخرین خبر
بمنظور اطلاع از دیگر خبرها به صفحه اخبار فناوری مراجعه کنید.