DA PUBBLICARE IMMEDIATAMENTE N. 3247

Il presente testo è una traduzione della versione inglese ufficiale del comunicato stampa e viene fornito unicamente per comodità di consultazione. Fare riferimento al testo inglese originale per conoscere i dettagli e/o le specifiche. In caso di eventuali discrepanze, prevale il contenuto della versione inglese originale.

Mitsubishi Electric sviluppa una rete antagonista generativa (GAN) compatta

Offre una rapida sintesi delle immagini con una bassa complessità computazionale e una ridotta quantità di memoria

Versione PDF

TOKYO, 31 gennaio 2019 - Mitsubishi Electric Corporation (TOKYO: 6503) ha annunciato oggi lo sviluppo di una rete antagonista generativa (GAN, Generative Adversarial Network) compatta, basata sulla tecnologia di intelligenza artificiale (IA) proprietaria di Mitsubishi Electric, Maisart®*. Le reti GAN derivano da una nuova tecnologia di apprendimento automatico che sintetizza immagini fotorealistiche mettendo in competizione due tipi di sistemi di IA, un generatore e un discriminatore. La complessità computazionale e la quantità di memoria della rete GAN compatta sono pari a circa un decimo rispetto a una rete GAN convenzionale**, caratteristica che abilita un'efficace sintesi di un numero enorme di immagini che vengono utilizzate per l'addestramento di altri sistemi di IA.

* Mitsubishi Electric's AI creates the State-of-the- ART in Technology (L'IA di Mitsubishi Electric crea la tecnologia d'avanguardia)
** Sulla base di un confronto interno con la nostra implementazione di una rete GAN convenzionale

0131-a_img

Panoramica della rete GAN e dell'algoritmo sviluppato

Caratteristiche principali

1)
Riduzione della complessità computazionale e della quantità di memoria del generatore del 90%
Con una rete GAN, il sistema di intelligenza artificiale che sintetizza le immagini è un generatore, spesso utilizzando una Deep Neural Network per la quale sono necessarie notevoli risorse computazionali e di memoria. Mitsubishi Electric ha sviluppato un nuovo algoritmo che valuta il significato di ogni strato delle Deep Neural Network. Rimuovendo gli strati che sono valutati come insignificanti, il costo computazionale e la quantità di memoria del generatore possono essere ridotti a circa un decimo delle loro dimensioni convenzionali**, senza sacrificare la qualità delle immagini sintetizzate.
2)
Riduzione del costo di preparazione delle immagini per l'addestramento di sistemi di IA
Insegnare ai sistemi di IA a riconoscere le immagini richiede l'accesso a milioni o decine di milioni di immagini con diverse variazioni; si tratta di una delle più grandi sfide insite nelle attuali applicazioni di intelligenza artificiale; infatti, una tale preparazione di dati esige costi molto elevati correlati alla necessità di tempo e di risorse umane. La nuova rete GAN compatta è in grado di sintetizzare automaticamente e rapidamente le immagini utilizzando dispositivi a costi contenuti, quali i computer portatili, per ottenere, potenzialmente, una riduzione significativa del costo di preparazione delle immagini di addestramento dei sistemi di IA.

I comunicati contengono informazioni accurate al momento della pubblicazione, ma possono essere soggetti a variazioni senza preavviso.