Rede neural de detecção que abandonou os transformers

O Habr AI criou uma rede neural de detecção que funciona sem transformers, com arquitetura mais leve e menor custo computacional. O modelo abriu mão das conexões globais entre fragmentos visuais em favor das locais, e a simplificação trouxe um efeito colateral inesperado: os primeiros sinais de segmentação de pele e roupas sem rotulagem separada.

Por que a rede neural abandonou os transformers?

Porque os transformers são caros em número de parâmetros e em computação. No lugar deles, foram usadas conexões locais entre patches, o que reduziu bastante a demanda por recursos computacionais.

O que resultou da otimização da rede neural?

Simplificar o modelo não apenas reduziu seu tamanho e suas exigências de computação, mas também teve um efeito colateral: o modelo passou a reconhecer a segmentação de pele e roupas sem rotulagem separada dos dados.

Por que uma rede neural de imagens importa para as empresas?

Ela reconhece objetos e segmenta regiões de imagens, mas funciona de forma mais barata ao trocar os transformers por conexões locais entre patches.

O que foi possível segmentar sem rotulagem?

A rede neural passou a distinguir pele e roupas nas imagens como efeito colateral da simplificação da arquitetura.

Por que os transformers estão sendo removidos da rede neural?

Os transformers exigem muitos parâmetros e muita computação. O Habr AI passou para conexões locais entre patches a fim de reduzir o tamanho do sistema e os custos computacionais.

Que efeito colateral a arquitetura simplificada da rede neural trouxe?

A simplificação trouxe os primeiros sinais de segmentação de pele e roupas sem rotulagem separada.