211service.com
Google smadzeņu iedvesmotā programmatūra apraksta to, ko tā redz sarežģītos attēlos
Google pētnieki ir izveidojuši programmatūra kas var izmantot pilnus teikumus, lai precīzi aprakstītu fotogrāfijās redzamās ainas — tas ir nozīmīgs progress datorredzes jomā. Kad tika parādīts, piemēram, galējā frisbija spēles fotoattēls, programmatūra atbildēja ar aprakstu Jauniešu grupa, kas spēlē frisbija spēli. Programmatūra var pat skaitīt, sniedzot tādas atbildes kā divas picas, kas atrodas uz plīts virsmas.
Google eksperimentālā programmatūra var precīzi aprakstīt ainas fotoattēlos, piemēram, divas kreisajā pusē. Bet tas joprojām pieļauj kļūdas, kā redzams no diviem fotoattēliem labajā pusē.
Iepriekš lielākā daļa centienu izveidot programmatūru, kas izprot attēlus, bija vērsta uz vienkāršāku uzdevumu identificēt atsevišķus objektus.
Tas ir ļoti aizraujoši, saka Oriol Vinyals , Google pētnieks. Esmu pārliecināts, ka no tā būs dažas iespējamās lietojumprogrammas.
Jaunā programmatūra ir jaunākais Google pētījumu produkts par lielu simulētu neironu kolekciju izmantošanu datu apstrādei (skatiet 10 Breakthrough Technologies 2013: Deep Learning ). Neviens no Google jaunajai programmatūrai neieprogrammēja noteikumus, kā interpretēt ainas. Tā vietā tās tīkli mācījās, patērējot datus. Lai gan pagaidām tas ir tikai pētniecības projekts, Vinyals saka, viņš un citi Google darbinieki jau ir sākuši domāt par to, kā to varētu izmantot, lai uzlabotu attēlu meklēšanu vai palīdzētu vājredzīgajiem orientēties tiešsaistē vai reālajā pasaulē.
Google pētnieki radīja programmatūru, izmantojot sava veida digitālo smadzeņu operāciju, savienojot divus neironu tīklus, kas izstrādāti atsevišķi dažādiem uzdevumiem. Viens tīkls bija apmācīts apstrādāt attēlus to satura matemātiskā attēlojumā, gatavojoties objektu identificēšanai. Otrs bija apmācīts ģenerēt pilnus teikumus angļu valodā kā daļu no automatizētās tulkošanas programmatūras.
Kad tīkli ir apvienoti, pirmais var aplūkot attēlu un pēc tam ievadīt matemātisko aprakstu par to, ko tas redz otrajā, kas izmanto šo informāciju, lai ģenerētu cilvēkiem lasāmu teikumu. Apvienotais tīkls tika apmācīts ģenerēt precīzākus aprakstus, parādot tam desmitiem tūkstošu attēlu ar cilvēku rakstītiem aprakstiem. Mēs ar valodu redzam, kāds, pēc tās domām, ir attēls, saka Vinyals.
Pēc šī apmācības procesa programmatūra tika atbrīvota uz vairākām lielām attēlu datu kopām no Flickr un citiem avotiem, un tika lūgts tās aprakstīt. Pēc tam tā aprakstu precizitāte tika novērtēta ar automatizētu testu, ko izmantoja datorredzes programmatūras salīdzināšanai. Google programmatūra 60. gados publicēja rezultātus 100 punktu skalā. Cilvēki, kas veic testu, parasti iegūst punktus 70. gados, saka Vinyals.
Šis rezultāts liecina, ka Google ir tālu priekšā citiem pētniekiem, kas strādā, lai izveidotu ainu aprakstošu programmatūru. Stenfordas pētnieki nesen publicētas detaļas savā sistēmā un ziņoja, ka tajā pašā standarta testā tā ieguva no 40 līdz 50 punktiem.
Tomēr Vinyals atzīmē, ka pētnieki Google un citur joprojām ir sākumposmā, lai saprastu, kā izveidot un pārbaudīt šāda veida programmatūru. Kad Google lūdza cilvēkus novērtēt programmatūras attēlu aprakstus skalā no 1 līdz 4, vidējais rādītājs bija tikai 2,5, kas liecina, ka tai vēl ir daudz darāmā.
Vinyals prognozē, ka tagad pastiprināsies pētījumi par ainu izpratni un aprakstu. Viena problēma, kas varētu palēnināt darbību: lai gan ir izveidotas lielas ar rokām marķētu attēlu datu bāzes, lai apmācītu programmatūru atpazīt atsevišķus objektus, ir mazāk marķētu fotoattēlu ar dabiskākām ainām.
Microsoft šogad uzsāka datubāzi ar nosaukumu KOKONSrieksts lai mēģinātu to labot. Google savā jaunajā pētījumā izmantoja COCO, taču tas joprojām ir salīdzinoši mazs. Es ceru, ka citas partijas iesaistīsies un padarīs to labāku, saka Vinyals.