Автор: 
Быстро выбрать наилучшую архитектуру нейросети для конкретного мобильного устройства — сложная задача. Вычислительные мощности дешёвых и дорогих смартфонов существенно различаются, поэтому невозможно найти единственную универсальную нейросеть с высокой точностью и приемлемой производительностью для всех устройств. Особенно актуально эта проблема стоит перед компаниями-производителями, у которых большие партии техники с различными микрочипами и характеристиками. Им необходим точный ответ, какую именно нейронную сеть для распознавания лиц лучше поставить на отдельно взятую модель устройства.
На сегодняшний день существуют разные архитектуры, но их невозможно адаптировать для конкретного устройства. Российские учёные предложили новую нейросетевую технологию, которая при установке на смартфон, планшет или устройство «умного» дома анализирует их технические характеристики и подбирает наиболее оптимальную версию приложения для распознавания лиц, которая будет лучшим образом работать на каждом конкретном устройстве. Преимущества новой методики в том, что её легко интегрировать в любую технику и не нужно обучать с нуля. Устройство отправит информацию о времени работы каждого слоя нейросети на сервер, а тот в ответ вышлет оптимальную для него модель.
Одной из наиболее сложных задач распознавания образов являются задачи проверки и идентификации лиц. В типичных сценариях обучающий набор содержит небольшое количество фотографий по каждому интересующему человеку. В настоящее время эти задачи решаются путём извлечения признаков, или же дескрипторов, с помощью глубокой нейронной сети, предварительно обученной на больших внешних наборах данных. К сожалению, даже современные дескрипторы лица характеризуются расовой предвзятостью, низкой точностью при низкой освещённости и зачастую требуют повторной идентификации.
Практически невозможно обучить универсальный дескриптор лица, который можно было бы использовать для распознавания лиц в реальном времени с высокой точностью на всех устройствах. Одним из потенциальных решений как раз является использование поисковика нейронной архитектуры для правильного выбора нейронной сети для конкретного устройства и методов автоматического машинного обучения (AutoML). Подробно технология описана в научном журнале IEEE Access. Код выложен в открытом доступе на GitHub, поэтому любой заинтересованный человек сможет установить и протестировать эту систему.
