PARA SU PUBLICACIÓN INMEDIATA N.º 3247

Este texto es una traducción de la versión oficial en inglés de este comunicado de prensa y se le proporciona a modo de referencia, para su comodidad. Consulte el texto original en inglés para obtener detalles específicos. En caso de que ambas versiones difieran, prevalecerá el contenido de la versión en inglés.

Mitsubishi Electric desarrolla una red GAN compacta

Ofrece síntesis de imágenes rápida con baja complejidad computacional y uso de memoria reducido

Versión PDF (PDF:220.0KB)

TOKIO, 31 de enero de 2019 – Mitsubishi Electric Corporation (TOKIO: 6503) ha anunciado hoy el desarrollo de una red GAN (del inglés "Generative Adversarial Network", red generativa antagónica) compacta basada en su tecnología de inteligencia artificial (AI) patentada, Maisart®*. Las redes GAN se derivan de una nueva tecnología de aprendizaje de máquinas que sintetiza imágenes fotorrealistas haciendo que dos AI, un generador y un discriminador, compitan entre ellos. La complejidad computacional y el uso de memoria de la red GAN compacta son aproximadamente una décima parte de los que caracterizan a una red GAN convencional,** una propiedad que permite la síntesis eficaz de la enorme cantidad de imágenes utilizadas para la formación de otras AI.

*Maisart es el acrónimo de "Mitsubishi Electric's AI creates the State-of-the-ART in technology" ('la AI de Mitsubishi Electric crea tecnología innovadora').
**Cálculo basado en una comparación interna llevada a cabo con nuestra propia implementación de una red GAN convencional

0131-a_img

Descripción general de una red GAN y el algoritmo desarrollado

Características clave

1)
Reducción del 90 % en la complejidad computacional y el uso de memoria del generador
Con una red GAN, la AI que sintetiza las imágenes se denomina generador, y a menudo se realiza mediante el uso de una red neuronal profunda que requiere una cantidad importante de recursos computacionales y memoria. Mitsubishi Electric ha desarrollado un algoritmo innovador que evalúa la importancia de cada capa en las redes neuronales profundas. Al quitar las capas que se han evaluado como insignificantes, el coste computacional y el uso de memoria del generador pueden reducirse hasta aproximadamente una décima parte de su tamaño convencional** sin sacrificar la calidad de las imágenes sintetizadas.
2)
Reducción de los costes de preparación de imágenes de formación para las AI
La formación de la AI para el reconocimiento de imágenes requiere acceso a millones o decenas de millones de imágenes con diversas variaciones: este es uno de los mayores desafíos de las aplicaciones de AI actuales, ya que esta preparación de los datos es sumamente costosa en términos de tiempo y recursos humanos necesarios. La nueva GAN compacta puede sintetizar imágenes de forma automática y rápida mediante el uso de dispositivos de bajo coste, como los portátiles; esto puede reducir de forma significativa el coste de la preparación de imágenes de formación para las AI.

Tenga en cuenta que la precisión de las notas de prensa corresponde a la fecha de publicación, pero dichas notas están sujetas a modificaciones sin previo aviso.