Технология выбора моделей глубокого обучения на основе актуализированного пользовательского опыта с использованием подхода Auto-ML
Аннотации
Аннотация
В современную эпоху значительных достижений в области обработки фото и видео алгоритмы распознавания и классификации объектов находят широкое применение как в личной, так и в профессиональной сферах. Однако расширение областей их использования увеличивает количество факторов, влияющих на разнообразие задач компьютерного зрения и качество обработки изображений, включая динамику объектов и их деформации в кадре. Рост числа архитектур нейронных сетей усложняет выбор эффективных моделей для решения таких задач, что создает новые вызовы для разработчиков данных алгоритмов.
Подход авторов к решению этой проблемы включает создание системы рекомендаций (https://saaresearch.github.io/), основанной на логике производственных правил, сформированных с учетом анализа предыдущих исследований и научных данных. В ходе исследования проанализированы методы и технологии создания рекомендательных систем, а также методы извлечения статистических данных и метаданных из наборов растровых изображений. Обсуждается разработка фреймворка, который выступает в качестве библиотеки реализованных алгоритмов для решения задач машинного обучения. Особое внимание уделено технологии выбора моделей глубокого обучения на основе обновленного пользовательского опыта с использованием подхода Auto-ML. Таким образом, фреймворк позволяет более эффективно выбирать модели глубокого обучения в различных условиях задач обнаружения объектов, включая исходные наборы данных пользователей, а также обеспечивает обучение выбранных моделей в различных режимах (на CPU, GPU, multi-GPU) с заданными параметрами.
Основной целью данной работы является создание инструмента, автоматизирующего процесс выбора оптимальных моделей машинного обучения с учетом опыта и предпочтений пользователя, что значительно повышает эффективность и точность разработки моделей в различных приложениях. Представленные в работе результаты демонстрируют высокую эффективность предложенной технологии, подчеркивается важность комплексного подхода к анализу данных и машинному обучению при создании рекомендательных систем для решения широкого спектра задач компьютерного зрения, включая задачи в промышленности.
