导读 图像识别中使用的人工智能(AI)技术具有模仿人类视觉和大脑神经元的结构。已知有三种方法可以减少计算和计算视觉和神经元成分所需的数据量。...
图像识别中使用的人工智能(AI)技术具有模仿人类视觉和大脑神经元的结构。已知有三种方法可以减少计算和计算视觉和神经元成分所需的数据量。到目前为止，这些方法的应用比例是通过反复试验来确定的。
筑波大学的研究人员开发出了一种新算法，可以自动确定每种方法的最佳比例。该算法有望降低人工智能技术的功耗，并为半导体的小型化做出贡献。
卷积神经网络 (CNN)在机场移民局的面部识别和自动驾驶汽车的物体检测等应用中发挥着关键作用。
CNN 由卷积层和全连接层组成;前者模拟人类视觉，而后者使大脑能够从视觉数据中推断出图像的类型。
通过减少计算中使用的数据位数，CNN 可以保持识别准确度，同时大幅减少计算需求。这种效率使支持硬件更加紧凑。
目前已确定了三种缩减方法：网络精简 (NS) 以最小化视觉成分，深度压缩 (DC) 以减少神经元成分，整数量化 (IQ) 以减少使用的位数。此前，对于这些方法的实施顺序或分配，没有明确的指导方针。
这项发表在《IEEE Access》上的新研究表明，最小化数据量的最佳方法顺序是IQ，其次是NS和DC。此外，研究人员还创建了一种算法，可以自主确定每种方法的应用比例，从而无需反复试验。
该算法使 CNN 比以前的模型压缩到原来的 1/28，速度提高 76 倍。
这项研究的意义在于，通过大幅降低计算复杂度、功耗和 AI 半导体器件的尺寸，有望改变 AI 图像识别技术。这一突破可能会增强部署先进 AI 系统的广泛可行性。