Ja jūs izpildījāt Manekena izaicinājumu, jūs tagad virzāt robotikas izpēti

Kategorija: Mākslīgais intelekts Ievietots 26. jūnijs

Atgriezieties pie interneta 2016. gadā. Vai jums ir miglainas atmiņas par Manekenu izaicinājumu? Tagad vīrusu izplatītā YouTube tendence ir izmantota, lai apmācītu neironu tīklu 3D ainas izpratnē.

Konteksts: Mēs dabiski labi saprotam 2D ​​video kā 3D ainas, taču mašīnas ir jāmāca, kā to izdarīt. Tā ir noderīga prasme: spēja rekonstruēt brīvi kustīgu objektu dziļumu un izvietojumu var palīdzēt robotiem manevrēt nepazīstamā vidē. Tāpēc šis izaicinājums jau sen ir aizrāvis datorredzes pētniekus, īpaši pašbraucošo automašīnu kontekstā.

Dati: Lai risinātu šo problēmu, Google AI komanda vērsās pie neparedzēta datu kopa : tūkstošiem YouTube videoklipu ar cilvēkiem, kuri izpilda Manekena izaicinājumu. (Ja tas tobrīd gadījās jums garām, tas nozīmēja, ka stāvēja pēc iespējas nekustīgāks, kamēr kāds pārvietojās ap jums, filmējot pozu no visiem leņķiem.) Šie videoklipi ir arī jauns datu avots, lai izprastu attēla dziļumu. 2D attēls.

Metode: Pētnieki 2000 video pārveidoja 2D attēlos ar augstas izšķirtspējas dziļuma datiem un izmantoja tos neironu tīkla apmācībai. Pēc tam tas varēja paredzēt kustīgu objektu dziļumu video ar daudz lielāku precizitāti, nekā tas bija iespējams ar iepriekšējām jaunākajām metodēm. Pagājušajā nedēļā pētnieki tika apbalvoti labākā papīra goda raksts nozīmīgā datorredzes konferencē.

Nezinoši dalībnieki: Pētnieki arī izlaida savu datu kopu, lai atbalstītu turpmākos pētījumus, kas nozīmē, ka tūkstošiem cilvēku, kas piedalījās Mannequin Challenge, neapzināti turpinās dot ieguldījumu datorredzes un robotikas pētījumu attīstībā. Lai gan dažiem tas var būt nepatīkams pārsteigums, mākslīgā intelekta pētījumos šis ir noteikums, nevis izņēmums.

Daudzas no lauka pamatīgākajām datu kopām, tostarp Fei-Fei Li ImageNet , kas aizsāka dziļo mācību revolūciju, tika apkopoti no publiski pieejamiem datiem, kas iegūti no Twitter, Wikipedia, Flickr un citiem avotiem. Šo praksi motivē milzīgais datu apjoms, kas nepieciešams, lai apmācītu padziļinātas mācīšanās algoritmus, un pēdējos gados tā ir tikai saasinājusies, jo pētnieki izstrādā arvien lielāki modeļi lai sasniegtu revolucionārus rezultātus.

Datu konfidencialitāte: Kā jau rakstījām iepriekš, šī datu apkopošanas prakse nav ne acīmredzami laba, ne slikta, taču tā apšauba nozares normas saistībā ar piekrišanu. Tā kā dati kļūst arvien vairāk precēti un monetizēti, tehnologiem vajadzētu padomāt par to, vai veids, kā viņi izmanto personas datus, atbilst garam, kāpēc tie sākotnēji tika ģenerēti un kopīgoti.