Автономні транспортні засоби повинні мати можливість швидко й точно ідентифікувати об’єкти, з якими вони стикаються, наприклад, вантажівки доставки, припарковані за поворотами, або велосипедистів, які наближаються до перехресть. Щоб досягти цього, автономні автомобілі можуть використовувати потужну модель комп’ютерного бачення для класифікації кожного пікселя на зображеннях сцени з високою роздільною здатністю, гарантуючи, що вони не пропускають об’єкти, які можуть бути затемнені на зображеннях низької якості. Однак це завдання, відоме як семантична сегментація, є дуже складним і потребує значних обчислень, особливо із зображеннями з високою роздільною здатністю.
Згідно з повідомленнями міжнародних ЗМІ, дослідники з Массачусетського технологічного інституту (MIT), MIT-IBM Watson AI Lab та інших установ співпрацювали, щоб розробити більш ефективну модель комп’ютерного зору, що значно зменшило обчислювальну складність вищезгаданого завдання. Ця модель може виконувати точну семантичну сегментацію в режимі реального часу на пристроях з обмеженими апаратними ресурсами, наприклад бортових комп’ютерах транспортних засобів, що дозволяє автономним автомобілям приймати миттєві рішення.
Сучасні моделі семантичної сегментації можуть безпосередньо вивчати взаємодію між кожною парою пікселів у зображенні, тобто їх обчислення зростає квадратично зі збільшенням роздільної здатності зображення. Хоча такі моделі дуже точні, їх швидкість обробки надто низька, щоб обробляти зображення високої роздільної здатності в режимі реального часу на крайніх пристроях, таких як датчики або смартфони.
Дослідники з Массачусетського технологічного інституту розробили новий компонент для моделі семантичної сегментації, який може похвалитися можливостями, еквівалентними найдосконалішим моделям такого роду, але досягаючи лише лінійної обчислювальної складності та сприяючи ефективним апаратним операціям.
Результатом роботи дослідників стала нова серія моделей комп’ютерного зору високої роздільної здатності. При розгортанні на мобільних пристроях ці моделі працюють у 9 разів швидше, ніж їхні попередники. Важливо те, що порівняно з альтернативними рішеннями ця нова модель досягає подібної, якщо не кращої, точності.
Ця технологія не тільки може допомогти автономним автомобілям приймати рішення в режимі реального часу, але й може підвищити ефективність інших завдань комп’ютерного зору з високою роздільною здатністю, таких як сегментація медичних зображень.
