Предпочесть
В магазинах будущего, скорее всего, не будет необходимости в сотрудниках, взвешивающих продукты. Команда исследователей из «Сколтеха» и других организаций представила метод распознавания товаров на весах с помощью искусственного интеллекта.
Любопытное исследование, которое было опубликовано в журнале IEEE Access, может совершить настоящую революцию в сфере работы магазинов и самообслуживания. Их новая разработка, известная как «PseudoAugment», обещает упростить и ускорить обучение нейронных сетей, особенно когда магазин будет получать новые виды товаров.
Проблема точного распознавания товаров в магазинах с развесными товарами сегодня довольно актуальна. Отличить визуально схожие сорта фруктов или овощей может быть сложной задачей, и появление новых видов товаров только усугубляет эту проблему. Традиционные системы компьютерного зрения требуют переобучения при появлении в ассортименте новых товаров, что занимает много времени и усилий, так как необходимо собирать и размечать большой объем данных.
Подход «PseudoAugment», разработанный учеными из «Сколтеха», предоставляет возможность настраивать нейронные сети для работы с новыми классами товаров без длительного процесса сбора и разметки данных. Суть метода заключается в том, что для обучения модели можно использовать всего несколько фотографий нового товара. Алгоритм затем извлекает объекты с этих фотографий, дополняя их синтезированными изображениями. Это позволяет значительно ускорить процесс обучения и распознавания новых товаров.
Как утверждают разработчики, этот метод минимизирует деградацию качества распознавания при добавлении новых классов товаров, по сравнению с традиционными методами обучения. При внедрении множества новых классов деградация все равно возможна, но важно, что систему можно будет переобучать всего лишь раз в несколько недель. Это означает, что новая технология будет оперативно адаптироваться к появлению новых товаров в магазинах.
Процесс дообучения, известный как аугментация изображений, становится важной составляющей в мире искусственного интеллекта. Он включает в себя добавление синтетических элементов к существующим данным и их трансформация, например, поворот изображений, изменение яркости и добавление шума. Эти преобразования обогащают набор данных, с которыми работает модель, и делают её более надежной.
Создатели этого инновационного метода считают, что он приносит важный вклад в развитие датацентрического подхода. Помимо магазинов, метод можно успешно применить для обучения систем распознавания однородных объектов, таких как семена на конвейерах или жесткие бытовые отходы.
