211service.com
Kā sūnas palīdzēja mašīnas redzei pārvarēt Ahileja papēdi
Pēdējos gados dziļās mācīšanās algoritmi ir mainījuši veidu, kā mašīnas atpazīst objektus. Mūsdienīgie algoritmi viegli pārspēj cilvēkus, identificējot parastās lietas, piemēram, galdus, krēslus, automašīnas un pat sejas.
Taču šiem algoritmiem ir Ahileja papēdis: ir dažas lietas, ko viņi vienkārši neredz. Piemēram, mašīnredze nespēj labi atpazīt tādas lietas kā zāles un garšaugi, jo tiem ir grūti definējamas amorfas formas.
Galdam parasti ir četras kājas un plakana virsma — funkcijas, kuras var labi identificēt mašīnmācībā. Turpretim vienas sugas stiebrzāles un garšaugi var būt dažāda izmēra un ar dažādu lapu, sēklu un tā tālāk skaitu atkarībā no augšanas apstākļiem. Tāpēc mašīnredzei ir grūti tos atpazīt, īpaši, ja tie nav ziedējuši.
Mašīnām ir līdzīgi grūti identificēt kokus no gaisa attēliem vai kultūraugus no satelīta attēliem. Nepieciešama jauna pieeja, kas var apmācīt padziļinātas mācīšanās algoritmus, lai tie varētu darboties ar objektiem ar neskaidru formu.
Ienāc Takeshi Ise un draugiem Kioto universitātē Japānā. Šie puiši ir izstrādājuši vienkāršu paņēmienu, kas palīdz dziļās mācīšanās mašīnām atpazīt šos amorfos augus. Viņi ir izmantojuši jauno tehniku, mācot atpazīt dažādus sūnu veidus — augu ar grūti nosakāmu formu.
Komandai ir labas iespējas pētīt sūnas, ņemot vērā Kioto slaveno silto un mitro klimatu, kas veicina to augšanu. Ise un co sākās, fotografējot sūnas tradicionālā japāņu dārzā Kioto, ko sauc par Murin-An, kur tās tiek kultivētas.
Viņi identificēja trīs sūnu veidus un fotografēja katru atsevišķi, bet arī vietās, kur tie visi atrodas kopā ar citiem augiem un īpašībām, kas nav sūnains. Katrs attēls tika uzņemts ar digitālo kameru, piemēram, Olympus OM-D E-M5 Mark II, ar 50 mm objektīvu (vai līdzvērtīgu) no 60 centimetru attāluma tieši virs sūnu paklājiņiem. Šiem attēliem ir 4608 x 3456 pikseļi.
Viņu dziļās mācīšanās algoritma mērķis ir vienā attēlā identificēt dažādus sūnu veidus un atšķirt sūnas no citiem objektiem un augiem.
Viņu metode ir vienkārša. Lai apmācītu algoritmu, komanda katru konkrēta sūnu attēlu sadala daudz mazākos reģionos ar 56 x 56 pikseļiem ar 50 procentu pārklāšanos. Tādā veidā sākotnējais attēls ģenerē aptuveni 90 000 attēlu, no kuriem 80 procentus viņi izmanto sava algoritma apmācībai un pārējos tā testēšanai.
Lai gan treniņu attēli tika uzņemti uz noteikta veida sūnu formas paklāja, šajos paklājos var būt nelieli citu sūnu apgabali. Tāpēc komanda pārbaudīja visus apmācības attēlus un ar roku noņēma svešzemju sūnu attēlus. Tas atstāja trīs veidu sūnu attēlus - Polytrichum , Trahicistis , un Ažiotāža —kā arī nesūnu īpašības. Pēc tam visus apmācības attēlus varētu apzīmēt kā vienu no šiem veidiem un ievadīt padziļinātajā mācību mašīnā.
Rezultāti ir iespaidīgi. Izmantojot šo metodi, algoritms ātri iemācījās atpazīt katru sūnu veidu ar labu precizitāti. Kad pētnieki palaida algoritmu vaļā vienā attēlā, kurā bija redzami dažāda veida sūnas, tas varēja precīzi identificēt sūnas dažādos attēla apgabalos. Viņi saka, ka modelis pareizi klasificēja testa attēlus ar precizitāti, kas pārsniedz 90%.
Algoritms dažiem sūnu veidiem darbojas labāk nekā citiem. Aptuvenā veiktspēja Polytrichum ir 99% [atpazīšanas precizitāte], Trahicistis ir 95%, un Ažiotāža ir 74%, saka Ise un co.
Zemākā precizitāte par Ažiotāža Tas ir tāpēc, ka šis augs ir amorfāks nekā citi, un tam ir mazāk skaidri izteiktas augšanas formas. Turpretī, Polytrichum ir raksturīga, skaidri izteikta forma.
Komanda saka, ka ir dažādi veidi, kā uzlabot precizitāti, piemēram, apmācību kopas izveide fotogrāfijām, kas uzņemtas dažādos gada laikos, kad Ažiotāža jo īpaši sūnas var izskatīties izteiksmīgāk. Vai arī digitālās kameras baltā balansu var standartizēt, lai iegūtu precīzāku krāsu atveidi katrai sūnai.
Jebkurā gadījumā rezultāti liecina par būtisku solījumu nākotnē. Šo paņēmienu varētu izmantot aerofotogrāfijām, lai labāk identificētu kokus un augus attēlos, kas uzņemti no augšas. Tas būtu ļoti noderīgi, veicot inventarizāciju savvaļā vai lielās apsaimniekotās teritorijās, piemēram, fermās un mežos.
Tikmēr Ise un kolēģi apgalvo, ka plāno izstrādāt lietotni, kas ļauj cilvēkiem identificēt sūnas, izmantojot viedtālruni. Tas varētu izrādīties populārs dārznieku vidū.
Atsauce: arxiv.org/abs/1708.01986 : 3 sūnu sugu identificēšana, padziļināti apgūstot, izmantojot sasmalcinātā attēla metodi