GIST 开发实时 AI 视觉“QuBER”模型
Lee Gyubin教授团队，四字边界错误分析
光州科学技术院（GIST）14日表示，人工智能融合学科的Lee Gyubin教授研究团队开发出一项通过误差估计来精炼未学习物体识别结果的人工智能技术。
该技术具备在实时环境中删除或补充被错误检测出的物体的功能，有望大幅提升机器人视觉感知能力。
现有的人工智能视觉技术存在只能识别预先学习过的物体、区分新物体能力不足等局限。为解决这一问题，业界一直在开发基于图像和初始预测数据来校正误差的技术。
研究团队为解决上述问题，开发了应用快速且精确的误差校正技术的“QuBER”模型。QuBER模型利用RGB-D图像和初始预测数据，分析“四重边界误差（Quadruple Boundary Error）”，从而提高物体识别的准确度，这是该模型的一大特点。
四重边界误差作为提升人工智能视觉技术准确度的关键方法，正受到关注。该技术将人工智能的初始预测值与真实数据（Ground Truth）之间的差异，按照▲真正例边界（被正确检测到的边界）▲假负例边界（本应检测却漏检的边界）▲假正例边界（被错误检测出的边界）▲真负例边界（本不应检测且被正确排除的边界）这四类边界标准进行分析，从而高效校正物体识别中的误差。
研究团队开发的QuBER模型，即使在大量物体被遮挡、识别难度较高的情况下，也展现出快速而精确的分割能力，并创下了世界顶尖水平的准确度记录。
Lee Gyubin教授表示：“通过本次研究，我们确认了机器人即便面对首次遇到的物体，也有可能实现准确而高效的识别。希望这项技术能应用于各种机器人作业，为开发在新环境中也能稳定运行的机器人发挥重要作用。”
本报道由人工智能(AI)翻译技术生成。
版权所有 © 阿视亚经济。未经许可不得转载，禁止用于AI训练及使用。
