> ## Content Index
> Fetch the complete content index at: https://admin.kod.ru/llms.txt
> Use this file to discover other available public pages before exploring further.

# Российские учёные разработали самый точный в мире ИИ-метод по обнаружению ранее неизвестных объектов на фото
- URL: https://admin.kod.ru/saliency-diversified-deep-ensembles/
- Published: 2024-10-31T10:22:01.000Z
- Updated: 2025-05-23T19:32:45.000Z
- Description: Он снизил риск ошибки при обработке и анализе изображений более чем на 20%.
- Author: Кирилл Сергеев
- Tags: Новости

Открытие было сделано учёными из лаборатории исследований ИИ T-Bank AI Research совместно со студентами Университета МИСИС и МФТИ, сообщили «Коду Дурова» в Т-Банке.

Метод получил название [SDDE (Saliency-Diversified Deep Ensembles)](https://arxiv.org/pdf/2305.11616?ref=admin.kod.ru), а его значимой особенностью является то, что он снизил риск ошибки при обработке и анализе изображений более чем на 20%. Это уменьшает необходимость перепроверки и исправления неверных решений человеком.

Учёные уверены, что SDDE будет особенно востребован в сферах, требующих высокой точности анализа, а в перспективе поможет развить сферы беспилотных транспортных средств и медицинской диагностики, где важно различать неопознанные элементы и графические артефакты.

Открытие было представлено на Международной конференции по обработке изображений (IEEE ICIP) в Абу-Даби (ОАЭ) — одной из крупнейших научных конференций, посвященных обработке изображений и видео, а также компьютерному зрению.

SDDE использует карты внимания, фокусирующиеся на разных аспектах данных, что уменьшает схожесть моделей и повышает их общую точность, благодаря чему идентификация объектов становится более надёжной и диверсифицированной.

![Изображение содержит фото парусника и блоки карт активации моделей Deep Ensembles, SDDE и Input, показывающие уровень](https://admin.kod.ru/content/images/2024/10/unnamed-4.png)

> Глубокие ансамбли используют одинаковые модели для распознавания изображений. В подходе SDDE каждая модель фокусируется на разных аспектах данных, что видно на выделенных зонах — картах внимания. В SDDE карты сильнее различаются, например захватывается фон изображения.

Кроме того, модель учитывает не только наборы данных, которые использовались при обучении нейросети, но и незнакомую ей информацию.

Сообщается, что учёные провели испытания эффективности метода на популярных базах данных (CIFAR10, CIFAR100 и ImageNet-1K), и SDDE продемонстрировал наилучшие результаты по сравнению со схожими алгоритмами, такими как Negative Correlation Learning и Adaptive Diversity Promoting.