用于圖像識(shí)別的人工智能（AI）技術(shù)具有模仿人類視覺(jué)和大腦神經(jīng)元的結(jié)構(gòu)。目前有3種已知的方法可以減少計(jì)算視覺(jué)和神經(jīng)元所需的數(shù)據(jù)量。迄今為止，這些方法的應(yīng)用比例都是通過(guò)反復(fù)試驗(yàn)確定的。據(jù)外媒報(bào)道，日本筑波大學(xué)（University of Tsukuba）研究人員開(kāi)發(fā)出一種新算法，可以自動(dòng)識(shí)別每種方法的最佳比例。該算法有望降低AI技術(shù)的功耗，并促進(jìn)半導(dǎo)體的微型化。

圖片來(lái)源：《IEEE Access》

卷積神經(jīng)網(wǎng)絡(luò)（CNNs）可在機(jī)場(chǎng)出入境的面部識(shí)別和自動(dòng)駕駛汽車的物體檢測(cè)等應(yīng)用中發(fā)揮關(guān)鍵作用。卷積神經(jīng)網(wǎng)絡(luò)由卷積層和全連接層組成；前者模擬人類視覺(jué)，后者使大腦能夠從視覺(jué)數(shù)據(jù)中推斷出圖像的類型。通過(guò)減少計(jì)算中使用的數(shù)據(jù)位數(shù)，卷積神經(jīng)網(wǎng)絡(luò)可以在保持識(shí)別準(zhǔn)確性的同時(shí)大幅降低計(jì)算需求。這種效率使得支持硬件更加緊湊。

到目前為止，研究人員已經(jīng)確定了3種簡(jiǎn)化方法：網(wǎng)絡(luò)精簡(jiǎn)（NS）以最小化視覺(jué)組件，深度壓縮（DC）以減少神經(jīng)元組件，以及整數(shù)量化（IQ）以減少使用的比特?cái)?shù)。在此之前，對(duì)于這些方法的執(zhí)行或分配順序并沒(méi)有明確的指導(dǎo)方針。

這項(xiàng)新研究成果已發(fā)表在期刊《IEEE Access》。該研究指出，要使數(shù)據(jù)量最小化，這些方法的最佳順序是IQ，其次是NS和DC。此外，研究人員還創(chuàng)建了一種算法，可以自主確定每種方法的應(yīng)用比例，無(wú)需反復(fù)試驗(yàn)。

該算法可將卷積神經(jīng)網(wǎng)絡(luò)壓縮到比之前的模型小28倍，速度提高76倍。這項(xiàng)研究通過(guò)顯著降低計(jì)算復(fù)雜性、功耗和AI半導(dǎo)體設(shè)備的尺寸，有望改變AI圖像識(shí)別技術(shù)。這一突破可能會(huì)增強(qiáng)部署先進(jìn)人工智能系統(tǒng)的廣泛可行性。