Крёстный отец нейронных сетей создал сеть ИИ, над которой работал 40 лет.
Джеффри Хинтон (англ. Geoffrey Hinton; род. 6 декабря 1947 года) — британский информатик, известный своими работами над искусственными нейросетями. Был одним из исследователей, предложивших использовать метод обратного распространения ошибки для тренировки многослойной нейронной сети. Вместе с Терри Сейновски изобрел машину Больцмана (оказалась первой нейронной сетью, способной обучаться внутренним представлениям, решать сложные комбинаторные задачи. Несмотря на это, из-за ряда проблем, машины Больцмана с неограниченной связностью не могут использоваться для решения практических проблем). В марте 2013 года он начал работать с Google. Его пра-прадедом был Джордж Буль, чьи работы в дальнейшем легли в основу современной компьютерной науки.
Учёный изложил новый метод "капсульной сети" на ресурсе arxiv.org. При том, в интервью Wired Джеффри Хинтон отметил, что "Долгое время в исследовании мной двигало интуитивное ощущение, но что-то шло не так и результата не было. Теперь у меня наконец-то что-то получилось".
Каждая «капсула» в сети Хинтона включает небольшую группу искусственных нейронов, которые сотрудничают, чтобы идентифицировать данные. Эти капсулы организованы в слои, и каждый слой капсул предназначен для определения конкретных особенностей изображения. Когда несколько капсул внутри слоя согласуются с тем, что они идентифицировали, они активируют следующий слой, а затем следующий. Уровни каскада идут дальше, пока сеть не уверена в том, что она идентифицирует.
В настоящее время сетям скармливают тысячи фотографий объекта с разных ракурсов для распознавания этого объекта в разных сценариях. Хинтон считает, что его метод позволит сетям капсул идентифицировать объекты с разных ракурсов и в разных сценария более эффективно, чем существующие методы.
Пока он кажется прав. В тесте, идентифицирующем рукописные цифры, результат капсульных сетей соответствовал точности лучших нейронных сетей старой школы, а в тесте, идентифицирующем игрушки с нескольких углов, его сети уменьшили вдвое частоту ошибок.
Хотя, на данный момент капсульные сети работают медленнее, чем существующее нейронные сети и новый метод ещё предстоит протестировать на больших массивах изображений, Хинтон с оптимизмом утверждает, что его новая система станет лучше традиционных нейронных сетей.
Учитывая все, чего мы смогли достичь с «неправильным» видом компьютерного зрения, просто представьте, что мы сможем сделать с правильным.
Источник https://futurism.com/weve-finally-created-an-ai-network-thats-been-decades-in-the-making/
Now you know more with @Futuris
Джеффри Хинтон (англ. Geoffrey Hinton; род. 6 декабря 1947 года) — британский информатик, известный своими работами над искусственными нейросетями. Был одним из исследователей, предложивших использовать метод обратного распространения ошибки для тренировки многослойной нейронной сети. Вместе с Терри Сейновски изобрел машину Больцмана (оказалась первой нейронной сетью, способной обучаться внутренним представлениям, решать сложные комбинаторные задачи. Несмотря на это, из-за ряда проблем, машины Больцмана с неограниченной связностью не могут использоваться для решения практических проблем). В марте 2013 года он начал работать с Google. Его пра-прадедом был Джордж Буль, чьи работы в дальнейшем легли в основу современной компьютерной науки.
Учёный изложил новый метод "капсульной сети" на ресурсе arxiv.org. При том, в интервью Wired Джеффри Хинтон отметил, что "Долгое время в исследовании мной двигало интуитивное ощущение, но что-то шло не так и результата не было. Теперь у меня наконец-то что-то получилось".
Каждая «капсула» в сети Хинтона включает небольшую группу искусственных нейронов, которые сотрудничают, чтобы идентифицировать данные. Эти капсулы организованы в слои, и каждый слой капсул предназначен для определения конкретных особенностей изображения. Когда несколько капсул внутри слоя согласуются с тем, что они идентифицировали, они активируют следующий слой, а затем следующий. Уровни каскада идут дальше, пока сеть не уверена в том, что она идентифицирует.
В настоящее время сетям скармливают тысячи фотографий объекта с разных ракурсов для распознавания этого объекта в разных сценариях. Хинтон считает, что его метод позволит сетям капсул идентифицировать объекты с разных ракурсов и в разных сценария более эффективно, чем существующие методы.
Пока он кажется прав. В тесте, идентифицирующем рукописные цифры, результат капсульных сетей соответствовал точности лучших нейронных сетей старой школы, а в тесте, идентифицирующем игрушки с нескольких углов, его сети уменьшили вдвое частоту ошибок.
Хотя, на данный момент капсульные сети работают медленнее, чем существующее нейронные сети и новый метод ещё предстоит протестировать на больших массивах изображений, Хинтон с оптимизмом утверждает, что его новая система станет лучше традиционных нейронных сетей.
Учитывая все, чего мы смогли достичь с «неправильным» видом компьютерного зрения, просто представьте, что мы сможем сделать с правильным.
Источник https://futurism.com/weve-finally-created-an-ai-network-thats-been-decades-in-the-making/
Now you know more with @Futuris