Andrey Savchenko, Professeur à l'École Supérieure d'Économie (Université HSE), a développé une méthode qui peut aider à améliorer l'identification des images sur les vidéos. Dans son projet, un réseau a été formé par un nouvel algorithme et peut désormais prendre des décisions sur la reconnaissance et la classification d'images à un rythme 10 fois plus rapide qu'auparavant. Cette recherche a été présentée dans l'article "Sequential three-way decisions in multi-category image reconnaissance with deep features based on distance factor" publié dans Sciences de l'information .

Les réseaux de neurones ont appris à identifier les humains et les animaux dans les vidéos il y a longtemps. Les neurones artificiels peuvent apprendre en se rappelant à quoi ressemble un certain objet dans une image. D'habitude, les chercheurs prennent une base de données ouverte de photos (par exemple, ImageNet, Des endroits, etc.) et l'utiliser pour enseigner un réseau de neurones. Pour accélérer le processus de prise de décision, notre algorithme est configuré pour ne sélectionner que certaines des images d'échantillon, ou se concentrer sur un nombre limité de traits. Des complications peuvent survenir lorsque des objets de classes différentes se trouvent sur la même photo, et il n'y a qu'un petit nombre d'exemples de formation pour chaque catégorie.

Le nouvel algorithme peut désormais reconnaître les images sans dégradation significative de la précision grâce à l'application d'une méthode de prise de décision séquentielle à trois voies. En utilisant cette approche, un réseau de neurones peut analyser des images simples d'une manière pour des objets clairement reconnaissables, tandis que les objets difficiles à identifier peuvent faire l'objet d'un examen plus détaillé.

"Chaque photo peut être décrite par des milliers de caractéristiques. Alors, cela n'aurait pas beaucoup de sens de comparer toutes les caractéristiques d'une image d'entrée donnée avec celles d'un exemple de formation de base, puisque la plupart des échantillons ne seraient pas similaires à l'image analysée. Donc, nous n'avons d'abord comparé que quelques-unes des caractéristiques importantes, et mettre de côté les instances de formation, qui ne peuvent évidemment pas être traités comme des solutions finales. Par conséquent, l'échantillon d'apprentissage devient plus petit et il ne reste que quelques exemples. A l'étape suivante, nous augmenterions le nombre de fonctionnalités pour les images restantes, puis répétez ce processus jusqu'à ce qu'il ne reste qu'une classe, " a noté le professeur Savchenko.

Cette approche a réduit le temps de reconnaissance de 1,5 à 10 fois, par rapport aux classificateurs réguliers et aux décisions à trois voies séquentielles multicatégories connues. Par conséquent, cette technologie pourrait être utilisée à l'avenir sur les appareils mobiles et autres gadgets de base.