Neurale netværk forstår ikke, hvad optiske illusioner er

Billede af sort/hvid optisk illusion Pixabay

Menneskesyn er en ekstraordinær facilitet. Selvom det har udviklet sig i specifikke miljøer over mange millioner af år, er det i stand til at udføre opgaver, som tidlige visuelle systemer aldrig oplevede. Læsning er et godt eksempel, ligesom at identificere kunstige genstande som biler, fly, vejskilte og så videre.

Men det visuelle system har også et velkendt sæt af mangler, som vi oplever som optiske illusioner. Faktisk har forskere identificeret mange måder, hvorpå disse illusioner får mennesker til at fejlbedømme farve, størrelse, justering og bevægelse.

Illusionerne i sig selv er interessante, fordi de giver indsigt i arten af ​​det visuelle system og perception. Så måder at finde nye illusioner, der udforsker disse grænser, ville være enormt nyttige.

Koncentriske cirkler?

Det er her, deep learning kommer ind i billedet. I de senere år har maskiner lært at genkende objekter og ansigter i billeder og derefter selv skabe lignende billeder. Så det er let at forestille sig, at et maskinsynssystem burde være i stand til at lære at genkende illusioner og derefter skabe sine egne.

Indtast Robert Williams og Roman Yampolskiy på University of Louisville i Kentucky. Disse fyre har prøvet denne bedrift, men fundet ud af, at tingene ikke er så enkle. Nuværende maskinlæringssystemer kan ikke generere deres egne optiske illusioner - i hvert fald ikke endnu. Hvorfor ikke?

Først lidt baggrund. De seneste fremskridt inden for dyb læring er baseret på to fremskridt. Den første er tilgængeligheden af ​​kraftfulde neurale netværk og et eller to programmeringstricks, der gør dem gode til at lære.

Den anden er oprettelsen af ​​enorme kommenterede databaser, som maskiner kan lære af. At lære en maskine at genkende ansigter kræver for eksempel mange titusindvis af billeder, der indeholder ansigter, der er tydeligt mærkede. Med den information kan et neuralt net lære at se karakteristiske ansigtsmønstre - for eksempel to øjne, en næse og en mund. Og endnu mere imponerende, et par af dem - kaldet et generativt modstandsnetværk - kan lære hinanden at skabe realistiske, men totalt syntetiske, billeder af ansigter.

Williams og Yampolskiy satte sig for at lære et neuralt netværk at identificere optiske illusioner på samme måde. Computerhestekræfterne er let tilgængelige, men de nødvendige databaser er det ikke. Så forskernes første opgave var at skabe en database med optiske illusioner til træning.

Det viser sig at være svært. Antallet af statiske optiske illusionsbilleder er i de lave tusinder, og antallet af unikke slags illusioner er bestemt meget lavt, måske kun et par dusin, siger de.

Det repræsenterer en udfordring for nuværende maskinlæringssystemer. At skabe en model, der er i stand til at lære fra et så lille og begrænset datasæt, ville repræsentere et stort spring i generative modeller og forståelse af menneskets syn, siger de.

Så Williams og Yampolskiy kompilerede en database med over 6.000 billeder af optiske illusioner og trænede derefter et neuralt netværk til at genkende dem. Derefter byggede de et generativt modstandsnetværk for at skabe optiske illusioner for sig selv.

Resultaterne var skuffende. Der blev ikke skabt noget af værdi efter 7 timers træning på en Nvidia Tesla K80, siger forskerne, som har gjort deres database tilgængelig for andre at bruge.

Ikke desto mindre er dette et interessant resultat. De eneste optiske illusioner, som mennesker kender, er blevet skabt af evolution (for eksempel øjenmønstre i sommerfuglevinger) eller af menneskelige kunstnere, påpeger de.

I begge tilfælde spiller mennesker en afgørende rolle ved at give værdifuld feedback – det kan mennesker se illusionen.

Men maskinsynssystemer kan ikke. Det virker usandsynligt, at [et generativt modstridende netværk] kunne lære at narre menneskesyn uden at være i stand til at forstå principperne bag disse illusioner, siger Williams og Yampolskiy.

De er måske ikke nemme, fordi der er afgørende forskelle mellem maskinsynssystemer og det menneskelige visuelle system. Forskellige forskere udvikler neurale netværk, der ligner det menneskelige visuelle system stadig mere. Måske en interessant test vil være, om de kan se illusioner eller ej.

I mellemtiden er Williams og Yampolskiy ikke optimistiske. Det ser ud til, at et datasæt af illusionsbilleder måske ikke er tilstrækkeligt til at skabe nye illusioner, siger de. Så for øjeblikket er optiske illusioner en bastion af menneskelig erfaring, som maskiner ikke kan erobre.

Ref: arxiv.org/abs/1810.00415 : Datasæt for optiske illusionsbilleder

skjule