Den revolutionære teknik, der stille og roligt ændrede maskinens syn for altid

I rumudforskning er der Google Lunar X-prisen for at placere en rover på månens overflade. Inden for medicin er der Qualcomm Tricorder X-prisen for at udvikle en Star Trek-lignende enhed til diagnosticering af sygdom. Der er endda en begyndende Artificial Intelligence X-pris for at udvikle et AI-system, der er i stand til at levere en fængslende TED-tale.

I en verden af ​​maskinsyn er det tilsvarende mål at vinde ImageNet Large-Scale Visual Recognition Challenge. Dette er en konkurrence, der har kørt hvert år siden 2010 for at evaluere billedgenkendelsesalgoritmer. (Det er designet til at følge op på et lignende projekt kaldet PASCAL VOC, som løb fra 2005 til 2012).

Deltagerne i denne konkurrence har to enkle opgaver. Præsenteret med et billede af en slags, er den første opgave at beslutte, om det indeholder en bestemt type objekt eller ej. For eksempel kan en deltager beslutte, at der er biler på dette billede, men ingen tigre. Den anden opgave er at finde et bestemt objekt og tegne en kasse rundt om det. For eksempel kan en deltager beslutte, at der er en skruetrækker på en bestemt position med en bredde på 50 pixels og en højde på 30 pixels.

Åh, og en anden ting: Der er 1.000 forskellige kategorier af objekter lige fra kuleramme til zucchini, og deltagere skal gennemsøge en database med over 1 million billeder for at finde hver forekomst af hvert objekt. Vanskelig!

Computere har altid haft problemer med at identificere objekter i rigtige billeder, så det er ikke svært at tro, at vinderne af disse konkurrencer altid har præsteret dårligt sammenlignet med mennesker.

Men alt det ændrede sig i 2012, da et hold fra University of Toronto i Canada gik ind i en algoritme kaldet SuperVision, som fejede gulvet med oppositionen.

I dag gennemgår Olga Russakovsky ved Stanford University i Californien og et par venner historien om denne konkurrence og siger, at i retrospekt var SuperVisions omfattende sejr et vendepunkt for maskinsyn. Siden da, siger de, er maskinsynet blevet forbedret i et så hurtigt tempo, at det i dag konkurrerer med menneskelig nøjagtighed for første gang.

Så hvad skete der i 2012, der ændrede verden af ​​maskinsyn? Svaret er en teknik kaldet dybe konvolutionelle neurale netværk, som Super Visison-algoritmen brugte til at klassificere de 1,2 millioner billeder i høj opløsning i datasættet i 1000 forskellige klasser.

Dette var første gang, at et dybt foldet neuralt netværk havde vundet konkurrencen, og det var en klar sejr. I 2010 havde vinderbidraget en fejlrate på 28,2 procent, i 2011 var fejlprocenten faldet til 25,8 procent. Men SuperVision vandt med en fejlrate på kun 16,4 procent i 2012 (den næstbedste deltagelse havde en fejlprocent på 26,2 procent). Den klare sejr sikrede, at denne tilgang er blevet bredt kopieret siden da.

Konvolutionelle neurale netværk består af flere lag af små neuronsamlinger, der hver ser på små dele af et billede. Resultaterne fra alle samlingerne i et lag er lavet til at overlappe for at skabe en repræsentation af hele billedet. Laget nedenfor gentager derefter denne proces på den nye billedrepræsentation, hvilket giver systemet mulighed for at lære om billedets sammensætning.

Dybe foldede neurale netværk blev opfundet i begyndelsen af ​​1980'erne. Men det er først i de sidste par år, at computere er begyndt at have de nødvendige hestekræfter til billedgenkendelse af høj kvalitet.

SuperVision, for eksempel, består af omkring 650.000 neuroner arrangeret i fem foldede lag. Den har omkring 60 millioner parametre, der skal finjusteres under læringsprocessen for at genkende objekter i bestemte kategorier. Det er dette enorme parameterrum, der tillader genkendelse af så mange forskellige typer objekter.

Siden 2012 har flere grupper forbedret SuperVisions resultat markant. I år opnåede en algoritme kaldet GoogLeNet, skabt af et team af Google-ingeniører, en fejlrate på kun 6,7 procent.

En af de store udfordringer ved at køre denne form for konkurrence er at skabe et datasæt af høj kvalitet i første omgang, siger Russakovsky og co. Hvert billede i databasen skal være kommenteret til en guldstandard, som algoritmerne skal opfylde. Der er også træningsdatabase med omkring 150.000 billeder, som også skal kommenteres.

Det er ikke nogen nem opgave med et så stort antal billeder. Russakovsky og co har gjort dette ved hjælp af crowdsourcing på faciliteter som Amazons Mechanical Turk, hvor de beder menneskelige brugere om at kategorisere billederne. Det kræver en betydelig mængde planlægning, krydstjek og genkøring, når det ikke virker. Men resultatet er en database af høj kvalitet med billeder, der er kommenteret med en høj grad af nøjagtighed, siger de.

Et interessant spørgsmål er, hvordan de bedste algoritmer sammenlignes med mennesker, når det kommer til genkendelse af objekter. Russakovsky og co har sammenlignet mennesker med maskiner, og deres konklusion synes uundgåelig. Vores resultater indikerer, at en uddannet menneskelig annotator er i stand til at overgå den bedste model (GoogLeNet) med cirka 1,7 %, siger de.

Der går med andre ord ikke lang tid, før maskiner overgår mennesker markant i billedgenkendelsesopgaver.

De bedste maskinsynsalgoritmer kæmper stadig med genstande, der er små eller tynde, såsom en lille myre på en stilk af en blomst eller en person, der holder en fjerpen i hånden. De har også problemer med billeder, der er blevet forvrænget med filtre, et stadig mere almindeligt fænomen med moderne digitalkameraer.

I modsætning hertil plager denne slags billeder sjældent mennesker, der har tendens til at have problemer med andre problemer. For eksempel er de ikke gode til at klassificere objekter i finkornede kategorier som den særlige hunde- eller fugleart, hvorimod maskinsynsalgoritmer håndterer dette med lethed.

Men tendensen er klar. Det er klart, at mennesker snart vil udkonkurrere state-of-the-art billedklassificeringsmodeller kun ved brug af betydelig indsats, ekspertise og tid, siger Russakovsky og co.

Eller sagt på en anden måde, Det er kun et spørgsmål om tid, før din smartphone er bedre til at genkende indholdet af dine billeder, end du er.

Ref: http://arxiv.org/abs/1409.0575 : ImageNet Visual Recognition Challenge i stor skala

skjule