Новости из мира науки, технологий и авто
Источник фото: pixabay.com В своей новой работе ученые предложили расширение данных на основе стиля для восстановления DNN в операционной среде. Они продемонстрировали метод передачи стилей для изучения и введения неизвестных шаблонов отказов из данных отказов в обучающие данные посредством увеличения данных.
Глубокие нейронные сети (DNN) широко применяются в различных реальных приложениях в разных доменах из-за их высокой производительности (например, высокой точности классификации изображений).
Тем не менее, хорошо обученная DNN после развертывания часто может вызывать ошибки во время практического использования в операционной среде из-за несоответствия между распределениями обучающего набора данных и потенциально неизвестными шумовыми факторами в операционной среде, например погодой, размытостью, шумом.
Следовательно, это представляет собой довольно важную проблему для реальных приложений DNN: как восстановить развернутые DNN для исправления выборок отказов в развернутой операционной среде, не нанося вреда их способности обрабатывать нормальные или чистые данные.
Специалисты предложили метод создания данных об отказах на основе кластеризации для более эффективного увеличения стилевых данных. Они провели крупномасштабную оценку с пятнадцатью факторами деградации, которые могут произойти в реальном мире, и сравнили их с четырьмя современными методами увеличения данных и двумя методами восстановления DNN.
Это продемонстрировало, что новый метод может значительно улучшить развернутые DNN на поврежденные данные в операционной среде и с еще большей точностью в чистых наборах данных.
