Una red neuronal de detección que prescindió de los transformers

Habr AI creó una red neuronal de detección que funciona sin transformers, con una arquitectura más ligera y menores costes de cómputo. El modelo renunció a las conexiones globales entre fragmentos visuales en favor de las locales, y la simplificación tuvo un efecto secundario inesperado: los primeros indicios de segmentación de piel y ropa sin un etiquetado aparte.

¿Por qué la red neuronal abandonó los transformers?

Porque los transformers resultan caros en número de parámetros y en cómputo. En su lugar se usaron conexiones locales entre parches, lo que redujo de forma notable los requisitos de recursos computacionales.

¿Qué resultó de la optimización de la red neuronal?

Simplificar el modelo no solo redujo su tamaño y sus requisitos de cómputo, sino que tuvo un efecto secundario: el modelo empezó a reconocer la segmentación de piel y ropa sin un etiquetado de datos aparte.

¿Por qué importa para las empresas una red neuronal de imágenes?

Reconoce objetos y segmenta regiones de las imágenes, pero funciona de forma más barata al sustituir los transformers por conexiones locales entre parches.

¿Qué se logró segmentar sin etiquetado?

La red neuronal empezó a distinguir la piel de la ropa en las imágenes como efecto secundario de la simplificación de la arquitectura.

¿Por qué se eliminan los transformers de la red neuronal?

Los transformers requieren muchos parámetros y mucho cómputo. Habr AI pasó a conexiones locales entre parches para reducir el tamaño del sistema y los costes de cómputo.

¿Qué efecto secundario tuvo la arquitectura simplificada de la red neuronal?

La simplificación mostró los primeros indicios de segmentación de piel y ropa sin un etiquetado aparte.