Googleは30年前の古典的なアルゴリズムを再利用し、CVは強化学習を導入しています。
ChatGPT の人気は誰の目にも明らかであり、その成功の背後にあるテクノロジーとしては、人間のフィードバックに基づく教師あり命令の微調整と強化学習が重要です。これらの技術は、コンピューター ビジョン (CV) などの他の AI 分野にも徐々に拡大されています。
コンピューター ビジョンで複雑な出力を扱う場合、成功の主な基準は、モデルがトレーニング ターゲットをどの程度最適化するかではなく、予測能力がタスクにどの程度適合するかであることを私たちは知っています。 . つまり、モデルが意図された用途に対してどれだけうまく機能するかということです。
この一貫性を追求するために、一部の研究者はモデル アーキテクチャ、データ、最適化、サンプリング、後処理などにいくつかの改善を加えました。たとえば、物体検出タスクでは、研究者は NMS (非最大抑制)、セットベースのグローバル損失、および入力データの変更を使用して、テスト時の動作が改善されたモデルを取得しました。これらの方法は大きな利点をもたらしますが、多くの場合、特定のタスクにのみ有用であり、ミッションのリスクを間接的に最適化するだけです。
この現象は、CV だけでなく、自然言語処理 (NLP)、強化学習 (RL) などの分野でも広く研究されています。これらのドメインでは、翻訳や要約の生成など、明確に定義されていないタスクの最適化目標を策定することが非常に困難です。このタイプの問題に対処する場合、一般的なアプローチは、例の出力を模倣することを学習し、強化学習を実行してモデルを報酬関数と一致させることです。 NLP の分野は、事前にトレーニングされた大規模な言語モデルと人間のフィードバックによって定義された報酬を使用して、指定が難しいタスクに取り組むこのアプローチを使用して刺激的な結果を生み出しています。
さらに、同じ方法が画像キャプションタスクでも広く使用されており、CIDEr (Vedantam et al. 2015 によって提案) が報酬として使用されます。それにもかかわらず、私たちの知る限り、報酬の最適化は (非テキストの) コンピューター ビジョン タスクではこれまで検討されていませんでした。
最近、Google Brain チームの研究者は、論文「タスク報酬によるコンピューター ビジョン モデルの調整」の中で、 が REINFORCE アルゴリズム (1992 年にウィリアムズによって提案) を使用していることを実証しました。 ) 報酬関数を使用した事前トレーニング済みモデルの調整は、さまざまなコンピューター ビジョン タスクにすぐに使用できます。
実際、強化学習タスクに関する多くの研究では、Williams の REINFORCE アルゴリズムについて言及しており、このアルゴリズムの重要性が示されています。 REINFORCE アルゴリズムは、ポリシー勾配、さらには強化学習の代表的なアルゴリズムであると言えます。
論文アドレス: https://arxiv.org/pdf/2302.08242v1.pdf
図 1オブジェクト検出、パノラマ セグメンテーション、画像のカラー化における報酬の最適化によってもたらされる量的および質的改善を主に含む、いくつかの重要な結果が示されています。この研究で提案された方法は、さまざまなCVタスクを処理するのにシンプルかつ効果的であり、その汎用性と適応性を実証しています。この論文では主に評価メトリクスの形で報酬を使用しますが、これらの予備的な結果は、この方法が、人間のフィードバックやシステム全体のパフォーマンスなど、より複雑で指定が難しい報酬を持つコンピューター ビジョン モデルを最適化する効果的な方法でもあることを示しています。 。
Twitter ネチズンは、この記事の比較的包括的な要約を提供しました。つまり、この記事で実装された機能は、RL を使用して事前設定を調整することです。訓練されたビジュアルモデル。研究の動機は、LLM 強化学習の成功に触発され、その効果により、ターゲット検出、パノラマ セグメンテーションなどのパフォーマンスが大幅に向上しました。同氏はまた、この研究は視覚的なRLHF(ヒューマンフィードバックからの強化学習)を実現する効果的な方法である可能性があると述べた。
出典: https://twitter.com/johnjnay/status /1627009121378598912
報酬
一般化を失うことなく、この研究では、CV タスクを入力 x (つまり画像) を出力 y = [y_1, y_1,..., y_n] (テキスト トークン シーケンス、バウンディング ボックス シーケンスなど)。本研究では、報酬関数 R を最大化するためのθをパラメータとした条件付き分布 P (y|x, θ) を学習することを目的としています。抽象的な公式を使って説明するために、この記事では次の最適化問題を解決します。
#問題はそこにあり、次のステップはそれを解決する方法です。この記事は 2 つのステップに分かれています。まず、最尤推定を使用してモデルを事前トレーニングし、次に REINFORCE アルゴリズムを使用してモデルを調整します。これら 2 つのステップの具体的なプロセスを見てみましょう:
##最尤法事前トレーニング
# # パラメータ θ は最初に最尤原理を使用して推定され、トレーニング データの分布が取得されます。これは、トレーニング データの対数尤度# を最大化することによって機能する勾配降下法アルゴリズムを使用して実現されます。アルゴリズム 1 と図 2 は、モデルをトレーニングするための最も一般的な方法である MLE (最尤推定) 最適化ステップを説明しています。このステップを完了すると、MLE モデルが作成されます。
MLE モデルをより適切に最適化してタスクのリスクに適応させるには、報酬関数を最大化することも必要です。特定の入力 x に対して、この研究では REINFORCE アルゴリズムを使用して、特定の x に対する期待される報酬の勾配を推定します。式は次のとおりです。
アルゴリズム 2 の疑似コードが提供されており、図 3 にそのプロセスを示します。
##実験結果
パノラマ セグメンテーション
以下の表 1 に示すように、チューニング プロセスにより MLE モデルが大幅に改善されます。目視検査後の結果は、調整後のモデルが、特に小規模なオブジェクトの場合に、一貫性のない予測を回避する点で優れていることを示しています (図 1 を参照)。
表 2 は、この研究が最適化によって元の MLE モデルの mAP スコアを 39.2% から 54.3% に大幅に改善したことを示しています。 Pix2seq では、わずかに大きい 1333×1333 解像度と多くのヒューリスティックを備えた同じサイズの ViT-B モデルが 47.1% を達成しました。より大きな ViT-L バックボーンを使用した場合、Pix2seq は 50.0% という最良のターゲット検出結果を報告しました。
カラーリング
図 4 に示す定性的な結果は、新しいモデルが一貫してよりカラフルな画像を生成することを明確に示しています。
#画像の説明
表 3 の結果は、提案された方法を適用すると MLE モデルが改善できることを示しており、これは文献の以前の観察と一致しており、特定のタスクのリスクを調整するためのこの方法の有効性を示しています。
以上がGoogleは30年前の古典的なアルゴリズムを再利用し、CVは強化学習を導入しています。の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

AI Hentai Generator
AIヘンタイを無料で生成します。

人気の記事

ホットツール

メモ帳++7.3.1
使いやすく無料のコードエディター

SublimeText3 中国語版
中国語版、とても使いやすい

ゼンドスタジオ 13.0.1
強力な PHP 統合開発環境

ドリームウィーバー CS6
ビジュアル Web 開発ツール

SublimeText3 Mac版
神レベルのコード編集ソフト(SublimeText3)

ホットトピック









従来のコンピューティングを超える能力を備えているだけでなく、より低コストでより効率的なパフォーマンスを実現する人工知能モデルを想像してみてください。これは SF ではありません。世界で最も強力なオープンソース MoE モデルである DeepSeek-V2[1] が登場しました。 DeepSeek-V2 は、経済的なトレーニングと効率的な推論の特徴を備えた強力な専門家混合 (MoE) 言語モデルです。これは 236B のパラメータで構成されており、そのうち 21B は各マーカーをアクティブにするために使用されます。 DeepSeek67B と比較して、DeepSeek-V2 はパフォーマンスが優れていると同時に、トレーニング コストを 42.5% 節約し、KV キャッシュを 93.3% 削減し、最大生成スループットを 5.76 倍に高めます。 DeepSeek は一般的な人工知能を研究する会社です

今月初め、MIT やその他の機関の研究者らは、MLP に代わる非常に有望な代替案である KAN を提案しました。 KAN は、精度と解釈可能性の点で MLP よりも優れています。また、非常に少数のパラメーターを使用して、多数のパラメーターを使用して実行する MLP よりも優れたパフォーマンスを発揮できます。たとえば、著者らは、KAN を使用して、より小規模なネットワークと高度な自動化で DeepMind の結果を再現したと述べています。具体的には、DeepMind の MLP には約 300,000 個のパラメーターがありますが、KAN には約 200 個のパラメーターしかありません。 KAN は、MLP が普遍近似定理に基づいているのに対し、KAN はコルモゴロフ-アーノルド表現定理に基づいているのと同様に、強力な数学的基礎を持っています。以下の図に示すように、KAN は

Boston Dynamics Atlas は正式に電動ロボットの時代に突入します!昨日、油圧式アトラスが歴史の舞台から「涙ながらに」撤退したばかりですが、今日、ボストン・ダイナミクスは電動式アトラスが稼働することを発表しました。ボストン・ダイナミクス社は商用人型ロボットの分野でテスラ社と競争する決意を持っているようだ。新しいビデオが公開されてから、わずか 10 時間ですでに 100 万人以上が視聴しました。古い人が去り、新しい役割が現れるのは歴史的な必然です。今年が人型ロボットの爆発的な年であることは間違いありません。ネットユーザーは「ロボットの進歩により、今年の開会式は人間のように見え、人間よりもはるかに自由度が高い。しかし、これは本当にホラー映画ではないのか?」とコメントした。ビデオの冒頭では、アトラスは仰向けに見えるように地面に静かに横たわっています。次に続くのは驚くべきことです

AI は確かに数学を変えつつあります。最近、この問題に細心の注意を払っている陶哲軒氏が『米国数学協会会報』(米国数学協会会報)の最新号を送ってくれた。 「機械は数学を変えるのか?」というテーマを中心に、多くの数学者が意見を述べ、そのプロセス全体は火花に満ち、ハードコアで刺激的でした。著者には、フィールズ賞受賞者のアクシャイ・ベンカテシュ氏、中国の数学者鄭楽軍氏、ニューヨーク大学のコンピューター科学者アーネスト・デイビス氏、その他業界で著名な学者を含む強力な顔ぶれが揃っている。 AI の世界は劇的に変化しています。これらの記事の多くは 1 年前に投稿されたものです。

Google が推進する JAX のパフォーマンスは、最近のベンチマーク テストで Pytorch や TensorFlow のパフォーマンスを上回り、7 つの指標で 1 位にランクされました。また、テストは最高の JAX パフォーマンスを備えた TPU では行われませんでした。ただし、開発者の間では、依然として Tensorflow よりも Pytorch の方が人気があります。しかし、将来的には、おそらくより大規模なモデルが JAX プラットフォームに基づいてトレーニングされ、実行されるようになるでしょう。モデル 最近、Keras チームは、ネイティブ PyTorch 実装を使用して 3 つのバックエンド (TensorFlow、JAX、PyTorch) をベンチマークし、TensorFlow を使用して Keras2 をベンチマークしました。まず、主流のセットを選択します

テスラのロボット「オプティマス」の最新映像が公開され、すでに工場内で稼働可能となっている。通常の速度では、バッテリー(テスラの4680バッテリー)を次のように分類します:公式は、20倍の速度でどのように見えるかも公開しました - 小さな「ワークステーション」上で、ピッキング、ピッキング、ピッキング:今回は、それがリリースされたハイライトの1つビデオの内容は、オプティマスが工場内でこの作業を完全に自律的に行い、プロセス全体を通じて人間の介入なしに完了するというものです。そして、オプティマスの観点から見ると、自動エラー修正に重点を置いて、曲がったバッテリーを拾い上げたり配置したりすることもできます。オプティマスのハンドについては、NVIDIA の科学者ジム ファン氏が高く評価しました。オプティマスのハンドは、世界の 5 本指ロボットの 1 つです。最も器用。その手は触覚だけではありません

目標検出は自動運転システムにおいて比較的成熟した問題であり、その中でも歩行者検出は最も初期に導入されたアルゴリズムの 1 つです。ほとんどの論文では非常に包括的な研究が行われています。ただし、サラウンドビューに魚眼カメラを使用した距離認識については、あまり研究されていません。放射状の歪みが大きいため、標準のバウンディング ボックス表現を魚眼カメラに実装するのは困難です。上記の説明を軽減するために、拡張バウンディング ボックス、楕円、および一般的な多角形の設計を極/角度表現に探索し、これらの表現を分析するためのインスタンス セグメンテーション mIOU メトリックを定義します。提案された多角形モデルの FisheyeDetNet は、他のモデルよりも優れたパフォーマンスを示し、同時に自動運転用の Valeo 魚眼カメラ データセットで 49.5% の mAP を達成しました。

FP8 以下の浮動小数点数値化精度は、もはや H100 の「特許」ではありません。 Lao Huang は誰もが INT8/INT4 を使用できるようにしたいと考え、Microsoft DeepSpeed チームは NVIDIA からの公式サポートなしで A100 上で FP6 の実行を開始しました。テスト結果は、A100 での新しい方式 TC-FPx の FP6 量子化が INT4 に近いか、場合によってはそれよりも高速であり、後者よりも精度が高いことを示しています。これに加えて、エンドツーエンドの大規模モデルのサポートもあり、オープンソース化され、DeepSpeed などの深層学習推論フレームワークに統合されています。この結果は、大規模モデルの高速化にも即座に影響します。このフレームワークでは、シングル カードを使用して Llama を実行すると、スループットはデュアル カードのスループットの 2.65 倍になります。 1つ
