Autonomisten ajoneuvojen on kyettävä tunnistamaan nopeasti ja tarkasti kohtaamansa kohteet, kuten kulmien taakse pysäköityjä kuorma-autoja tai risteyksiä lähestyviä pyöräilijöitä. Tämän saavuttamiseksi autonomiset autot voivat käyttää tehokasta tietokonenäkömallia luokittelemaan jokaisen pikselin korkearesoluutioisissa kohtauskuvissa varmistaen, että ne eivät jätä huomiotta kohteita, jotka saattavat olla epäselviä huonolaatuisissa kuvissa. Tämä tehtävä, joka tunnetaan nimellä semanttinen segmentointi, on kuitenkin erittäin monimutkainen ja vaatii laajaa laskentaa, erityisesti korkearesoluutioisilla kuvilla.
Kansainvälisten tiedotusvälineiden mukaan Massachusetts Institute of Technologyn (MIT), MIT-IBM Watson AI Labin ja muiden instituutioiden tutkijat ovat tehneet yhteistyötä kehittääkseen tehokkaamman tietokonenäkömallin, mikä vähentää merkittävästi edellä mainitun tehtävän laskennallista monimutkaisuutta. Tämä malli pystyy suorittamaan reaaliaikaista, tarkkaa semanttista segmentointia laitteissa, joilla on rajoitetut laitteistoresurssit, kuten ajoneuvojen tietokoneissa, jolloin autonomiset autot voivat tehdä välittömiä päätöksiä.
Nykyiset huippuluokan semanttiset segmentointimallit voivat oppia suoraan kuvan jokaisen pikseliparin väliset vuorovaikutukset, mikä tarkoittaa, että niiden laskenta kasvaa neliöllisesti kuvan resoluution kasvaessa. Vaikka tällaiset mallit ovat erittäin tarkkoja, niiden käsittelynopeus on liian hidas korkearesoluutioisten kuvien käsittelemiseen reaaliajassa reunalaitteilla, kuten antureilla tai älypuhelimilla.
MIT:n tutkijat suunnittelivat semanttiseen segmentointimalliin uuden komponentin, jonka ominaisuudet vastaavat lajinsa edistyneimpiä malleja, mutta jotka saavuttavat vain lineaarisen laskennan monimutkaisuuden ja helpottavat tehokkaita laitteistotoimintoja.
Tutkijoiden työn tuloksena on uusi mallisarja korkearesoluutioiseen tietokonenäköön. Mobiililaitteissa otettuna nämä mallit toimivat 9 kertaa nopeammin kuin edeltäjänsä. Tärkeää on, että vaihtoehtoisiin ratkaisuihin verrattuna tämä uusi malli saavuttaa saman, ellei jopa paremman tarkkuuden.
Tämä tekniikka ei vain voi auttaa autonomisia autoja tekemään reaaliaikaisia päätöksiä, vaan se voi myös tehostaa muita korkearesoluutioisia tietokonenäkötehtäviä, kuten lääketieteellisten kuvien segmentointia.
