Facebook新AI模型SEER实现自监督学习

型包含10亿个参数，可以在几乎没有标签帮助的情况下识别图像中的物体，并在一系列计算机视觉基准上取得了先进的结果。

要知道，大多数计算机视觉模型都是从标记的数据集中学习。

而Facebook的最新模型则是通过暴露数据各部分之间的关系从数据中来生成标签。

这一步被认为对有朝一日实现人类终极智能至关重要。

新AI模型SEER在革计算机视觉的命?

参数一直是机器学习系统的基本组成部分，是从历史训练数据中得到的模型的一部分。

人工智能的未来在于是否能够不依赖于带注释的数据集，从给定的任何信息中进行推理。

只要提供文本、图像或其他类型的数据，AI就能够完美地识别照片中的物体、解释文本，或者执行任何要求它执行的其他任务。在，Facebook声称自家的SEER计算机视觉模型向这个目标迈进了一步。

它可以从互联网上的任何一组随机图像中学习，而不需要进行注释。

对视觉的自我监督是一项具有挑战性的任务。

对于文本，语义概念可以被分解成离散的单词，但是对于图像，模型必须自己推断哪个像素属于哪个概念。

同样的概念在不同的图像之间往往会发生变化，这使得问题变得更具挑战性。因此，要想掌握单个概念的变化，就需要查看大量不同的图像。他们发现，让人工智能系统处理复杂的图像数据至少需要两个核心算法：

一是可以从大量随机图像中学习，无需任何元数据或注释的算法;二是卷积神经网络(ConvNet)足够大，可以从这些数据中捕捉和学习所有视觉概念。

卷积神经网络在20世纪80年代首次提出，受到生物学过程的启发，因为模型中各组成部分之间的连接模式类似于视觉皮层。

SEER：10亿张图，无需标记，自主训练数据集

SEER模型结合了最近的架构家族「RegNet」和在线自我监督训练「SwAV」来规模训练数具有10亿参数的数十亿张随机图像。

科研团队改编利用了一种新算法，称为SwAV。它起源于FAIR的研究，后被应用于自我监督学习。

（编辑：开发网_开封站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!