ТЕХНОЛОГИЯ

Распознавание лица

Традиционные методы распознавания лиц основаны на использовании характерных черт и признаков. На первом этапе, алгоритм определяет последовательность относительно уникальных точек лица (исходные точки: уголки глаз и губ, ноздри и так далее). В большинстве случаев количество таких точек составляет от 10 до 300. После выравнивания лица алгоритм приступал к получению информации из выбранных точек, обрабатывая каждую из них последовательно, и используя характерные визуальные признаки (например, небольшая рябь, HOG, SIFT, SURF, или их комбинации). Отдельные кусочки информации объединяются в единый массив, размер которого может уменьшаться для обеспечения надежного хранения, быстрого сопоставления и ряда других функций.

В алгоритмах такого типа количество точек напрямую влияет на точность распознавания. Стоит отметить, что это не совсем верно – при использовании правильно выбранных точек, увеличение их количества положительно скажется на общей точности распознавания, при этом точность распознавания напрямую зависит от выбранного признака и классификатора.

Глубокое обучение

Алгоритмы глубокого обучения, которые лежат в основе большинства современных систем компьютерного зрения, работают иначе. Такие алгоритмы используют большое количество сверточных и нелинейных фильтров, которые последовательно накладываются на исходное изображение. В ходе каждого наложения приложение обрабатывает изображение, и получает информацию высокого порядка. После использования большого количества фильтров (обычно от нескольких десятков до нескольких сотен) лица сохраняются в шаблоны небольшого размера, которые удобно использовать для быстрого сравнения и анализа. Кроме того, такие шаблоны обеспечивают стабильно высокую скорость работы и более точный результат.

Отличительной чертой глубокого обучения является то, что определение наиболее характерных и информативных визуальных признаков производится не вручную, как раньше, а во время самостоятельного обучения нейронной сети. Другими словами, все операции по настройке и выравниванию лица, а также определение наиболее информативных областей производятся самой сетью без участия человека. Вам не придется показывать алгоритму наиболее информативные точки, или объяснять способы извлечения информации. Алгоритм сделает это самостоятельно.

Глубокое обучение – это одна из разновидностей машинного обучения. Стоит отметить, что глубокое обучение предназначено для выполнения определенного типа задач. Данный вид обучения позволяет повысить точность и создать концептуальное описание при увеличении объема данных для обучения (повышая показатели при больших объемах данных), а также автоматически определяет наиболее эффективный способ представления данных, автоматически оптимизируя цели обучения. При этом большое количество традиционных методов обучения требуют ручной обработки представленных данных для повышения качества работы.

Использование графических ускорителей Nvidia

Графические ускорители от NVIDIA как нельзя лучше подходят для обучения глубоких нейронных сетей, сокращая общее время обучения, которое может занимать до года, всего лишь до нескольких дней или недель. Это вызвано тем, что графические ускорители могут осуществлять несколько вычислений одновременно (параллельно). После того, как система будет «обучена», ученые и исследователи могут использовать графические ускорители и полученные результаты для запуска системы в работу. Благодаря наличию подобных систем, сегодня мы можем выполнять операции, которые казались невозможными и невыполнимыми еще несколько лет назад.

Графические ускорители используются для обучения глубоких нейронных сетей на основе больших наборов обучающих данных, позволяя сократить время обучения и снизить объем используемой инфраструктуры в дата-центрах. Кроме того, графические ускорители также используются для запуска моделей машинного обучения с целью классификации и составления прогнозов в рамках облачных сервисов, позволяя осуществлять работу с большими объемами данных, расходуя меньше электроэнергии и других ресурсов.

Самые крупные сетевые компании и социальные сети, а также наиболее известные научно-исследовательские институты, работающие в области машинного обучения, стали самыми первыми пользователями графических ускорителей для машинного обучения. Благодаря наличию нескольких тысяч вычислительных ядер и возможности 10-100-кратного увеличения производительности по сравнению с классическими процессорами, графические ускорители стали невероятно популярны при обработке больших объемов данных в рамках научных исследований.

 

NVIDIA logo

О компании NVIDIA

В 1999 году компания NVIDIA стала причиной ошеломительного роста сферы игр для ПК, полностью переосмыслив современный подход к компьютерной графике, и произведя настоящую революцию в сфере параллельных вычислений. Совсем недавно использование методик глубокого обучения на графических ускорителях привело к активному росту развития ИИ (новой эры вычислений). В настоящее время графический ускоритель выступает в роли мозга для компьютеров, роботов и беспилотных автомобилей, которые могут понимать и воспринимать окружающий мир.