世界

研究者らが画像認識AIをコンパクトに実装する新しい手法を開発

研究者らは、整数量子化、ネットワーク スリミング、および深圧縮の順に 3 つの従来の削減手法を適用した、畳み込みニューラル ネットワーク モデルの新しいヒューリスティック圧縮方法を提案しています。この方法は、マージン計算を反復することで、ネットワーク モデルの最小サイズを自動的に見つけます。クレジット: IEEE アクセス （2024年）。DOI: 10.1109/ACCESS.2024.3399541 画像認識に用いられる人工知能（AI）技術は、人間の視覚と脳の神経細胞を模倣した構造を持っています。視覚と神経細胞の構成要素を計算・演算するために必要なデータ量を削減する方法は3つ知られています。これまで、これらの方法の適用比率は試行錯誤によって決定されてきました。 筑波大学の研究者らは、各手法の最適な割合を自動で判別する新しいアルゴリズムを開発した。このアルゴリズムは、AI技術の消費電力削減や半導体の小型化への貢献が期待される。 畳み込みニューラルネットワーク（>）は、次のようなアプリケーションで極めて重要です。 顔認識 空港の入国審査や自動運転車における物体検出などに使用されます。 > は畳み込み層と完全結合層で構成されます。前者は人間の視覚をシミュレートし、後者は脳が視覚データから画像の種類を推測できるようにします。 > は、計算に使用されるデータ ビット数を削減することで、認識精度を維持しながら計算負荷を大幅に削減できます。この効率性により、サポート ハードウェアをよりコンパクトにすることができます。 これまでに、視覚コンポーネントを最小化するネットワーク スリミング (NS)、ニューロン コンポーネントを削減するディープ コンプレッション (DC)、および使用ビット数を減らす整数量子化 (IQ) の 3 つの削減方法が特定されています。これまで、これらの方法の実装順序や割り当てに関する明確なガイドラインはありませんでした。 新しい研究では、 出版された で IEEE アクセスは、データ量を最小化するためのこれらの方法の最適な順序は、IQ、NS、DCの順であることを確認しました。さらに、研究者らは、試行錯誤の必要性を排除し、各方法の適用比率を自律的に決定するアルゴリズムを作成しました。 このアルゴリズムにより、>…