Session

Віталій Булигін
22 Sep 2019
15:00 - 15:45
Data Science and Machine Learning

Методи покращення швидкості та точності single stage детекторів об’єктів

Презентація сфокусована на тренуванні детекторів з випадкової ініціалізації вагів, тобто без використання претренованого екстрактора ознак. Обговорюються переваги та недоліки підходу.

Доповідь складається з кількох експериментів з різними екстракторами ознак та “головами” детектору задля винаходження компромісу між швидкістю та точністю.

GroupNormalization – популярний зараз тренд у згорткових нейронних мережах. В доповіді розглянуто, коли цей підхід дає насправді гарні результати.

Методи, що дають високу точність, потребують надто великої кількості відеопам’яті. Через це обговорюються прийоми, що дозволяють знизити витрати пам’яті під час навчання.

Кількість фільтрів в кожному згортковому шарі звичайно обирається евристично. В презентації розглянуто, як знайти оптимальний ранг тензорів вагів для поставленої задачі.