Google atklāj neironu tīklu ar pārcilvēcisku spēju noteikt gandrīz jebkura attēla atrašanās vietu

Šeit ir sarežģīts uzdevums. Pēc nejaušības principa izvēlieties fotoattēlu no tīmekļa. Tagad mēģiniet noskaidrot, kur tas tika uzņemts, izmantojot tikai pašu attēlu. Ja attēlā redzama slavena ēka vai orientieris, piemēram, Eifeļa tornis vai Niagāras ūdenskritums, uzdevums ir vienkāršs. Taču darbs kļūst ievērojami grūtāks, ja attēlam trūkst konkrētu atrašanās vietas norādes vai tas ir uzņemts telpās vai tajā ir redzams mājdzīvnieks, barība vai kāda cita detaļa.

Tomēr cilvēki ir pārsteidzoši labi šajā uzdevumā. Lai palīdzētu, viņi sniedz visa veida zināšanas par pasauli, piemēram, par izstādīto zīmju veidu un valodu, veģetācijas veidiem, arhitektūras stiliem, satiksmes virzienu utt. Cilvēki pavada visu mūžu, uztverot šāda veida ģeogrāfiskās atrašanās vietas norādes.

Tāpēc ir viegli domāt, ka mašīnas cīnīsies ar šo uzdevumu. Un tiešām, viņiem ir.

Mūsdienās tas mainās, pateicoties Google datorredzes speciālista Tobias Veyand un pāris draugu darbam. Šie puiši ir apmācījuši padziļinātas apmācības iekārtu, lai noteiktu gandrīz jebkura fotoattēla atrašanās vietu, izmantojot tikai tajā esošos pikseļus.

Viņu jaunā iekārta ievērojami pārspēj cilvēkus un var pat izmantot gudru triku, lai noteiktu iekštelpu attēlu un konkrētu lietu, piemēram, mājdzīvnieku, pārtikas un tā tālāk, attēlu atrašanās vietu, kam nav atrašanās vietas norādes.

Viņu pieeja ir vienkārša, vismaz mašīnmācības pasaulē. Weyand un co sāk, sadalot pasauli režģī, kas sastāv no vairāk nekā 26 000 dažāda izmēra kvadrātu, kas ir atkarīgi no šajā vietā uzņemto attēlu skaita.

Tātad lielajām pilsētām, uz kurām tiek uzņemti daudzi attēli, ir smalkāka režģa struktūra nekā attālākiem reģioniem, kur fotogrāfijas ir retāk sastopamas. Patiešām, Google komanda ignorēja tādus apgabalus kā okeāni un polārie apgabali, kuros ir uzņemts maz fotoattēlu.

Pēc tam komanda izveidoja ģeogrāfiskās atrašanās vietas attēlu datubāzi no tīmekļa un izmantoja atrašanās vietas datus, lai noteiktu režģa laukumu, kurā tika uzņemts katrs attēls. Šī datu kopa ir milzīga, un tajā ir 126 miljoni attēlu kopā ar tiem pievienotajiem Exif atrašanās vietas datiem.

Weyand un co izmantoja 91 miljonu šo attēlu, lai mācītu spēcīgu neironu tīklu noteikt režģa atrašanās vietu, izmantojot tikai pašu attēlu. Viņu ideja ir ievadīt attēlu šajā neironu tīklā un kā izvadi iegūt konkrētu režģa atrašanās vietu vai iespējamo kandidātu kopu.

Pēc tam viņi apstiprināja neironu tīklu, izmantojot atlikušos 34 miljonus attēlu datu kopā. Visbeidzot viņi pārbaudīja tīklu, ko viņi sauc par PlaNet, dažādos veidos, lai redzētu, cik labi tas darbojas.

Rezultāti rada interesantu lasīšanu. Lai izmērītu savas iekārtas precizitāti, viņi tai ievadīja 2,3 miljonus attēlu ar ģeogrāfisko atzīmi no Flickr, lai noskaidrotu, vai tā var pareizi noteikt to atrašanās vietu. PlaNet spēj lokalizēt 3,6 procentus attēlu ar precizitāti ielas līmenī un 10,1 procentus ar precizitāti pilsētas līmenī, saka Weyand un citi. Turklāt iekārta nosaka izcelsmes valsti vēl 28,4 procentos fotoattēlu un kontinentu 48,0 procentos no tiem.

Tas ir diezgan labi. Taču, lai parādītu, cik labi, Veyands un līdzgaitnieki veica PlanNet testu pret 10 labi ceļojošiem cilvēkiem. Pārbaudei viņi izmantoja tiešsaistes spēli, kurā spēlētājam tiek parādīts nejaušs skats, kas ņemts no Google Street View, un lūdz viņam vai viņai precīzi noteikt tā atrašanās vietu pasaules kartē.

Ikviens var spēlēt plkst www.geoguessr.com . Izmēģiniet to — tas ir ļoti jautri un sarežģītāk, nekā izklausās.

Lieki piebilst, ka Planet sagrāva cilvēkus. Kopumā PlaNet uzvarēja 28 no 50 kārtām ar vidējo lokalizācijas kļūdu 1131,7 km, bet vidējā cilvēka lokalizācijas kļūda bija 2320,75 km, saka Veyands un citi. [Šis] maza mēroga eksperiments parāda, ka PlaNet sasniedz pārcilvēcisku sniegumu, veicot Street View ainu ģeogrāfiskās atrašanās vietas noteikšanu.

Interesants jautājums ir par to, kā PlanNet darbojas tik labi, nespējot izmantot norādes, uz kurām cilvēki paļaujas, piemēram, veģetāciju, arhitektūras stilu utt. Taču Veyands un kolēģi apgalvo, ka zina, kāpēc: 'Mēs domājam, ka Planet ir priekšrocības salīdzinājumā ar cilvēkiem, jo ​​tas ir redzējis daudz vairāk vietu, nekā jebkurš cilvēks jebkad var apmeklēt, un ir iemācījušies smalkas norādes uz dažādām ainām, kuras cilvēkiem, kas ceļo daudz, ir pat grūti atrast. atšķirt.

Viņi iet tālāk un izmanto iekārtu, lai atrastu attēlus, kuriem nav atrašanās vietas norādes, piemēram, tos, kas uzņemti telpās vai ar konkrētiem priekšmetiem. Tas ir iespējams, ja attēli ir daļa no albumiem, kas visi ir uzņemti vienā un tajā pašā vietā. Ierīce vienkārši apskata citus albuma attēlus, lai noskaidrotu, kur tie uzņemti, un pieņem, ka konkrētāks attēls tika uzņemts tajā pašā vietā.

Tas ir iespaidīgs darbs, kas parāda, kā dziļi neironu tīkli atkal izliek muskuļus. Varbūt vēl iespaidīgāks ir tas, ka modelis izmanto salīdzinoši nelielu atmiņas apjomu atšķirībā no citām pieejām, kas izmanto gigabaitus. Mūsu modelis izmanto tikai 377 MB, kas pat iekļaujas viedtālruņa atmiņā, teiksim Weyand un co.

Tā ir vilinoša ideja — pārcilvēka neironu tīkla spēks viedtālrunī. Tagad noteikti nebūs ilgi!

Atsauce: arxiv.org/abs/1602.05314 : Planet — fotoattēlu ģeogrāfiskā atrašanās vieta ar konvolucionālajiem neironu tīkliem

paslēpties