МОСКВА, 22 ноя - РИА Новости. Новый метод распознавания и обнаружения аномальных объектов с помощью ИИ — SDDE (Saliency-Diversified Deep Ensembles) — существенно повысит точность анализа и обработки изображений и найдет широкое практическое применение, рассказал кандидат физико-математических наук, доцент факультета ВМК МГУ Виктор Китов Т-Банку.
"Можно настроить распознавание лиц по видео в системе безопасности на имеющихся сотрудниках, после чего модель будет во всех людях пытаться распознать только тех людей, на которых была настроена, и не сможет распознать злоумышленников, несанкционированно проникших в помещение. Аналогично при анализе рентгеновских и МРТ-снимков можно обучить модель распознавать известные болезни, и система диагностики по любым симптомам будет пытаться распознать только их. Однако со временем появляются как новые болезни, так и эволюционируют уже известные патологии. Подобное поведение ограничивает применимость прогностических моделей на практике, создавая риски неверной интерпретации входных данных", - рассказывает Китов.
Для повышения качества работы нейросетей по распознаванию изображений используют ансамбли (наборы) моделей. Это позволяет повысить точность классификации как известных классов, так и новых за счет того, что ошибки разных моделей при обнаружении аномалий взаимно компенсируют друг друга, и итоговый прогноз получается более устойчивым и точным.
Между тем отдельные модели ансамбля, как правило, настраиваются решать одну и ту же задачу по одним и тем же данным. Неудивительно, что и сами модели при этом оказываются весьма похожими. Поэтому для повышения точности всего ансамбля критически важным становится разнообразие моделей, то есть их максимальное отличие друг от друга, продолжает эксперт.
"В методе SDDE предложено повышать отличие моделей друг от друга за счет стимулирования использования более разнообразных карт важности признаков (saliency maps), на которых будет основываться прогноз. Преимущество метода в более высокой точности по сравнению с другими ансамблевыми методами, решающими задачу детекции аномальных объектов. Результаты исследования также показывают, что добиться большего разнообразия базовых моделей ансамбля без ущерба для точности прогнозов можно, внося разнообразие в извлекаемые промежуточные представления нейросети, а не ее окончательные прогнозы", - объясняет Китов.
По словам специалиста, метод SDDE будет востребован в задачах классификации изображений, где периодически встречаются объекты новых классов и велика цена их ошибочного отнесения с неверным классам.
"Примерами областей применимости могут быть системы автоматического управления транспортными средствами, медицинская диагностика, системы безопасности по камерам видеонаблюдения и визуальный контроль качества на производственных линиях. Для банков особый интерес представляет применение метода для обнаружения мошеннических финансовых транзакций", - уверен Китов.