Ubegrænsede computerfraktaler kan hjælpe med at træne AI til at se

Fru Tech | Unsplash

De fleste billedgenkendelsessystemer trænes ved hjælp af store databaser, der indeholder millioner af fotos af hverdagsgenstande, fra slanger til shakes til sko. Med gentagen eksponering lærer AI'er at skelne en type objekt fra en anden. Nu har forskere i Japan vist, at kunstig intelligens kan begynde at lære at genkende hverdagsgenstande ved at blive trænet på computergenererede fraktaler i stedet.

Det er en underlig idé, men det kan være en stor sag. Genererer træningsdata automatisk er en spændende trend inden for maskinlæring. Og ved at bruge et endeløst udbud af syntetiske billeder i stedet for fotos skrabet fra internettet undgår man problemer med eksisterende håndlavede datasæt.

Træningsproblemer: Fortræning er en fase, hvor en AI lærer nogle grundlæggende færdigheder, før den trænes på mere specialiserede data. Foruddannede modeller giver flere mennesker mulighed for at bruge kraftfuld kunstig intelligens. I stedet for at skulle træne en model fra bunden, kan de tilpasse en eksisterende til deres behov. Et system til diagnosticering af medicinske scanninger kan f.eks. først lære at identificere grundlæggende visuelle træk, såsom form og omrids, ved at blive fortrænet på en database med hverdagsgenstande – som f.eks. ImageNet , som indeholder mere end 14 millioner billeder. Derefter vil den blive finjusteret på en mindre database med medicinske billeder, indtil den genkender subtile tegn på sygdom.

Relateret historie

AI skal se sit usynlige-arbejderproblem i øjnene Maskinlæringsmodeller trænes af lavtlønnede online koncertarbejdere. De forsvinder ikke - men vi kan ændre måden, de arbejder på, siger Saiph Savage.

Problemet er, at det tager meget tid og kræfter at samle et datasæt som ImageNet manuelt. Billederne er typisk mærket med lavtlønnede crowdworkers . Datasæt kan også indeholde sexistisk eller racistiske etiketter, der kan påvirke en model på skjulte måder, samt billeder af personer, der er blevet inkluderet uden deres samtykke. Der er beviser for, at disse skævheder kan snige sig ind selv i fortræning .

Naturlige former : Fraktaler kan findes i alt fra træer og blomster til skyer og bølger. Dette fik teamet ved Japans National Institute of Advanced Industrial Science and Technology (AIST), Tokyo Institute of Technology og Tokyo Denki University til at spekulere på, om disse mønstre kunne bruges til at lære et automatiseret system det grundlæggende i billedgenkendelse i stedet for at bruge fotos af rigtige genstande.

Forskerne skabte FractalDB, et uendeligt antal computergenererede fraktaler. Nogle ligner blade; andre ligner snefnug eller sneglehuse. Hver gruppe af lignende mønstre fik automatisk en etiket. De brugte derefter FractalDB til at fortræne et foldet neuralt netværk, en type dyb-læringsmodel, der almindeligvis bruges i billedgenkendelsessystemer, før de afsluttede sin træning med et sæt faktiske billeder. De fandt ud af, at den fungerede næsten lige så godt som modeller trænet på avancerede datasæt, inklusive ImageNet og Steder , som indeholder 2,5 millioner billeder af udendørs scener.

Virker det? Anh Nguyen ved Auburn University i Alabama, som ikke var involveret i undersøgelsen, er ikke overbevist om, at FractalDB endnu er et match for folk som ImageNet. Han har undersøgt, hvordan abstrakte mønstre kan forvirre billedgenkendelsessystemer . Der er en sammenhæng mellem dette arbejde og eksempler, som dummer maskiner, siger han. Han vil gerne undersøge, hvordan denne nye tilgang fungerer mere detaljeret. Men de japanske forskere mener, at computergenererede datasæt som FractalDB med tweaks til deres tilgang kunne erstatte eksisterende.

Hvorfor fraktaler: Forskerne forsøgte også at træne deres AI ved hjælp af andre abstrakte billeder, inklusive dem, der blev produceret ved hjælp af Perlin støj , som skaber spættede mønstre, og Bezier kurver , en type kurve, der bruges i computergrafik. Men fraktaler gav de bedste resultater. Fraktal geometri findes i baggrundsviden om verden, siger hovedforfatter Hirokatsu Kataoka ved AIST.

skjule