FÖR OMEDELBAR PUBLICERING Nr 3247

Det här pressmeddelandet är en översättning av den officiella engelskspråkiga versionen. Det publiceras endast som praktisk referens för användaren. Läs den ursprungliga engelska versionen för information. Vid skillnader mellan texterna är det den engelska versionen som gäller.

Mitsubishi Electric utvecklar kompakt GAN-nätverk

Snabb bildsyntes med låg databehandlingskomplexitet och minskad minnesanvändning

PDF-version (PDF:235.0KB)

Tokyo den 31 januari 2019 – Mitsubishi Electric Corporation (TOKYO: 6503) meddelade i dag att man har utvecklat ett kompakt GAN-nätverk (Generative Adversarial Network) som är baserat på Mitsubishi Electrics egenutvecklade Maisart®*-teknik för artificiell intelligens. GAN-nätverk är baserade på ny maskininlärningsteknik som används till att syntetisera fotorealistiska bilder genom att låta två artificiella intelligenser – en generator och en diskriminator – tävla mot varandra. Databehandlingskomplexitetet och minnesanvändningen för det GAN-nätverket är ungefär en tiondedel av ett vanligt GAN-nätverk**, en egenskap som möjliggör effektiv syntetisering av det enorma antalet bilder som används för att träna andra artificiella intelligenser.

* Mitsubishi Electrics AI skapar toppmodern teknik (Mitsubishi Electrics AI creates the State-of-the-ART)
** Baserat på en intern jämförelse med vår implementering av ett konventionellt GAN-nätverk.

0131-a_img

Översikt över GAN-nätverket och den utvecklade algoritmen

Viktiga egenskaper

1)
Minskar databehandlingskomplexiteten och minnesanvändningen för generatorn med 90 procent
I ett GAN-nätverk kallas den artificiella intelligens som används till att syntetisera bilder för en generator. Den skapas ofta med hjälp av ett djupt neuralt nätverk som kräver betydande databehandlingsresurser och minne. Mitsubishi Electric har utvecklat en algoritm som används till att utvärdera signifikansen för varje lager i djupa neural nätverk. Genom att ta bort lager som utvärderas som insignifikanta kan databehandlingskostnaden och minnesanvändningen för generatorn minskas till ungefär en tiondel av den vanliga storleken** utan att göra avkall på kvaliteten på de syntetiserade bilderna.
2)
Minskar kostnaderna för att förbereda träningsbilder för artificiella intelligenser
Att träna artificiella intelligenser i att känna igen bilder kräver miljoner eller tiotals miljoner bilder med olika varianter. Det är en av de största utmaningarna inom nuvarande användningsområden för artificiell intelligens eftersom den typen av förberedelse av data är enormt kostsam, både i tid och personalresurser. Det nya kompakta GAN-nätverket kan syntetisera bilder automatiskt och snabbt med hjälp av billiga enheter bärbara datorer, vilket kan leda till en betydande minskning av kostnaderna för att förbereda träningsbilder för artificiella intelligenser.

Observera att informationen är korrekt vid tidpunkten för publicering men kan ändras utan föregående meddelande.