EDI izstrādā dziļajā apmācībā (dziļie CNN, RNN, GAN neironu tīkli) balstītus risinājumus dažādās jomās. Lielākā EDI pieredze šādu metožu lietojumā ir datorredzes uzdevumos – kameru datu izmantošana automašīnu detektēšanai, numurzīmju atpazīšanai, cilvēku identifikācijai, kultūraugu un nezāļu atšķiršanai, robotam paņemamu objektu detektēšanai kaudzē u.c. Tomēr mašīnmācīšanās pieejas izmantošana nozīmē, ka iepriekšējā pieredze ir paplašināma uz dažāda veida sensoru datiem, tādēļ piedāvājam savu dziļās apmācības ekspertīzi arī ārpus datorredzes jomas.
Video un attēlu apstrādē piedāvājam klasificēt un segmentēt attēlus, kā arī lokalizēt, detektēt vai atpazīt konkrēta veida objektus vai situācijas. Dziļās apmācības metožu veiksmīga lietojuma pamatā ir uzdevumam atbilstošu marķētu datu pieejamība. Šādu datu ieguve bieži prasa daudz laika un manuāla darba, tādēļ EDI attīsta tehnoloģijas datu problēmas risināšanai. Atkarībā no uzdevuma EDI piedāvā šāda veida risinājumus apmācības datu iegūšanai:
* pusautomātiskas marķēšanas metodes, kad programma paātrina un atvieglo manuālo datu marķēšanu;
* sintētisku datu ģenerēšana ar 3D modelēšanu;
* sintētisku datu ģenerēšana no dažiem 2D attēliem ar EDI veidotu programmatūru;
* reālistisku datu ģenerēšana ar attēlu “tulkošanas” pieeju (CycleGAN).
Gan dziļo neironu tīklu trenēšanu, gan datu ģenerēšanu veicam uz EDI skaitļošanas servera ar 12 NVIDIA Tesla k40 video kartēm.
Publikācijas:
Roberts Kadiķis