Hvorfor maskinsyn er fejlbehæftet på samme måde som menneskesyn

Dybe foldede neurale netværk har taget verden af ​​kunstig intelligens med storm. Disse maskiner udkonkurrerer nu rutinemæssigt mennesker i opgaver lige fra ansigts- og objektgenkendelse til at spille det ældgamle spil Go.

Det ironiske er selvfølgelig, at neurale netværk er inspireret af hjernens struktur. Det viser sig, at der er bemærkelsesværdige ligheder mellem den bredere struktur af de dybe foldede neurale netværk bag maskinsyn og strukturen af ​​hjernen, der er ansvarlig for synet. En af disse udviklede sig over millioner af år, den anden kom i løbet af blot et par årtier. Men begge virker tilsyneladende på samme måde.

Og det rejser et interessant spørgsmål - hvis maskinsyn og menneskesyn fungerer på lignende måder, er de så også begrænset af de samme begrænsninger? Kæmper mennesker og maskiner med de samme synsrelaterede udfordringer?

I dag får vi et svar takket være Saeed Reza Kheradpishehs arbejde ved Teherans universitet i Iran og nogle få venner fra hele verden. Disse fyre har testet mennesker og maskiner med de samme synsudfordringer og opdaget, at de faktisk kæmper med den samme slags problemer.

Først lidt baggrund. Den vej i hjernen, der er ansvarlig for synet, fungerer i flere lag, som hver formodes at udtrække gradvist mere information fra et billede, såsom bevægelse, form, farve og så videre. Hvert lag består af et stort antal neuroner forbundet til et stort netværk.

Deep convolution neurale netværk har en lignende struktur. De består også af lag, og hver af disse er et netværk af kredsløb designet til at efterligne neuronernes adfærd, deraf udtrykket neuralt netværk.

Gennem meget forsøg og fejl har dataloger fundet ud af, at disse lag fungerer bedst, når de hver især udtrækker gradvist mere information om et billede. Og når de ser på adfærden af ​​lag individuelt, finder de bemærkelsesværdige ligheder med funktionen af ​​specifikke lag i hjernen.

Men mens den menneskelige hjerne er god til genkendelse af objekter, er den ikke perfekt. Skift billedet på en eller anden måde, og det er ikke altid nemt at genkende det objekt, det indeholder.

Forestil dig for eksempel et billede af en bil taget fra siden. Der er forskellige måder, hvorpå dette billede kan ændres. Den ene er at oversætte objektet, at flytte det fra en del af billedet til en anden. En anden er at forstørre eller formindske den.

Så er der to typer af rotation. Den ene er en i plan rotation, der viser bilen fra siden, men for eksempel på hovedet.

Der er også rotationer i dybden. I dette tilfælde skal du forestille dig bilen som et 3D-objekt set fra siden. Rotation i dybden viser derefter bilen forfra, bagfra eller et trekvart syn og så videre.

Men givet to billeder af den samme bil fra forskellige synspunkter, hvor svært er det så at være sikker på, at begge viser det samme køretøj? Det er klart, at nogle typer forvrængning er mere udfordrende end andre - men hvilke? Og har maskiner det samme problem?

For at finde ud af det producerede Kheradpisheh og co billedvariationer af fire forskellige slags objekter og testede derefter, hvor godt mennesker og dybe foldede neurale netværk klare opgaven med at genkende dem.

Testen for mennesker involverer at vælge et billede tilfældigt og vise det på en skærm i 12,5 millisekunder. Personen skal derefter trykke på en af ​​fire knapper for at angive, om billedet er af en bil, et skib, en motorcykel eller et dyr.

Holdet testede i alt 89 forskellige mennesker, som hver så 960 billeder. Forskerne brugte hastigheden og nøjagtigheden af ​​hvert individs respons som et mål for, hvor godt de genkendte hvert objekt.

Holdet udførte også en tilsvarende test på to af de mest kraftfulde dybe foldningsnetværk, der bruges til objektgenkendelse, det ene udviklet ved University of Toronto i Canada og det andet ved University of Oxford i Storbritannien.

Resultaterne giver interessant læsning. Vi fandt ud af, at mennesker og DCNN'er stort set var enige om de relative vanskeligheder ved hver slags variation, siger Kheradpisheh og co. Rotation i dybden er langt den sværeste transformation at håndtere, efterfulgt af skala, derefter rotation i plan og til sidst position (meget nemmere).

Det er interessant arbejde med nogle umiddelbare implikationer. Til at begynde med skal dataloger være meget mere forsigtige med den måde, de opretter databaser til at teste maskinsyn. I fremtiden bliver de nødt til at kontrollere de faktorer, som maskiner har sværere ved.

Men det viser også potentialet for dybe foldende neurale netværk til at hjælpe med at undersøge, hvordan menneskelig kognition fungerer. Designet af visse billeder er en kritisk opgave i applikationer som flyvekontrol, nødudgange, instruktioner til brug af redningsudstyr og så videre.

At bruge mennesker til at vurdere disse billeder er en tidskrævende og dyr forretning. Men måske kunne denne slags neurale netværk gøre arbejdet i stedet for eller i det mindste frasortere de værste eksempler og efterlade mennesker med en meget bedre defineret og mindre besværlig opgave.

Ud over det kan det være muligt at designe machine-vision-systemer, der ikke narres på samme måde som mennesker, og som derfor kan øge menneskelig beslutningstagning i kritiske situationer som kørsel.

Og det er kun begyndelsen. Neurale netværk revolutionerer allerede alle slags opgaver, som plejede at være forbeholdt mennesker - den forandring vil kun accelerere.

Ref: arxiv.org/abs/1604.06486 : Mennesker og dybe netværk er stort set enige om, hvilke former for variation der gør genkendelse af objekter sværere

skjule