平安科技斩获PASCAL VOC视觉大赛第一名 助力产业发展

2020-05-18 18:21:43爱云资讯

近日,在国际计算机视觉竞赛Pascal VOC挑战赛(Pattern Analysis, Statical Modeling and Computational Learning)的目标检测comp3 赛道上,平安科技Occam自动化机器学习团队在21项评测指标表现优异情况下,获得世界最好成绩,超越众多国内外知名人工智能企业和高校人工智能实验室,以86.5%mAP的综合得分获得大赛冠军。

【Occam团队再度领跑国际竞赛】

Pascal VOC 挑战赛是视觉对象分类识别和检测的权威测试比赛,其中 VOC2012 comp3赛道作为评估目标检测算法性能的重要标杆,其数据量小且不平衡,识别难度较大,吸引了包括阿里巴巴图灵实验室、百度、腾讯、英特尔、清华大学以及微软研究院在内的国内外多个科技巨头和顶尖研究机构的参与,可以说是Pascal VOC 挑战赛中竞争激烈,也是极能够反映模型检测性能的一条赛道。

图1:Pascal VOC2012 comp3赛道参赛系统信息

(红框为平安科技联邦学习Occam团队)

在comp3赛道的最新榜单上,平安Occam自动化机器学习团队自研的 NAS-YoLo目标检测算法以 86.5%mAP的综合得分在60个参赛队伍拔得头筹,并且在所有21项的评测指标中,霸占了 18 项指标的排名第一,彰显全方位的技术领先。

图2:Pascal VOC2012 comp3赛道参赛成绩排名

(红框为平安科技联邦学习Occam团队)

【创造性方案高效提升目标检测能力】

目标检测是图像领域三大基本任务之一,要求算法在给定图像中精确定位物体的位置并标注出被定位物体的类别。其难点在于,图像中的目标大小、位置、姿态等不确定,同一图像中可能有多个目标。而在 Pascal VOC 的数据集中,由于目标种类场景繁多、数据集较小,其算法识别难度更高。

为了解决上述问题,平安科技Occam团队基于在自动化机器学习和深度学习的深厚知识累积,创造性地提出了NAS-YoLo目标检测模型,将YoLo模型引入了自动数据增强和神经体系结构搜索(NAS),大幅度提高了该目标检测模型的检测精度。该模型通过使用自动数据增强方法为不同分布的数据集挑选出各自适应的数据增强策略,破解数据集较小、不易提升表现的问题。配合加入基于超网络的神经架构搜索,该方案基于分治法的并行分布式策略来加快搜索进程,以降低搜索耗时及难度。为了提升准确率,团队还进一步融合了基于SMBO的自动调参方法为NAS-YoLo来生成最佳超参组合,实现在目标检测领域的重大突破,超越众多顶尖团队摘得赛事第一。

【屡获殊荣 Occam平台助力产业发展】

此次冠军模型背后的Occam奥卡姆自动化机器学习平台,是平安科技研发的面向开发者和大众用户,为深度学习提供海量数据预处理、大规模分布式模型训练、自动化模型生成及具有一键生成部署能力的AI算法平台。致力于以更少的人工参与、更低的计算成本、更高精度的模型和更短的开发周期为核心目标,Occam平台汇集了流程自动化、自动数据增强、分布式加速、自动模型压缩、自动调参、自动搭建网络六大机器学习尖端技术,协同全面开放的图像、语音、文本多种前沿算法套件库以及NAS-YoLo在内的多个冠军模型等上百种AI共享资源,Occam平台在为开发者们带来高效便捷的开发体验的同时,也充分体现了平台作为超强AI算法引擎,致力于借助高性能算法,用更先进、更科学的技术助力实业发展,为各领域的发展创造更大价值的长远目标。

迄今为止, Occam平台已经斩获7个国际竞赛总冠军,23篇国际学术会议论文,446项专利, 并且荣誉8项金融科技奖项,犹如一颗深水炸弹,以超群绝伦的硬实力引爆人工智能领域,助力产业发展。

目前,Occam平台已经在语音、声纹、人脸、OCR、NLP、医疗影像等领域服务了数十个研究团队,广泛推动AI技术在平安集团旗下产险、寿险、银行、普惠等专业公司的业务赋能。其中基于Occam平台迭代训练的坐席机器人上线平安集团的逾千个场景,赋能11家专业公司,节约年化成本超10亿元。

【团队介绍】

平安科技联邦学习部门Occam自动化机器学习团队,由平安集团首席科学家肖京博士指导,平安科技副总工程师王健宗博士带领,汇集了来自国内外顶尖院校毕业的硕博人才,致力于推动自动化机器学习领域的生态发展。团队将行业应用与前沿AI技术进行深度、自动化融合,打破传统AI训练存在的"模型差"、"调参难"、"训练慢"等技术难点,一键开启人工智能训练便捷新时代。

相关文章
热门文章
头条文章
重点文章
推荐文章
热点文章
关于我们|联系我们|免责声明|会展频道
冀ICP备2022007386号-1 冀公网安备 13108202000871号 爱云资讯 Copyright©2018-2023