Kāpēc mašīnredze ir kļūdaina tāpat kā cilvēka redze

Dziļi konvolucionālie neironu tīkli ir sagrābuši mākslīgā intelekta pasauli. Šīs mašīnas tagad regulāri pārspēj cilvēkus, veicot dažādus uzdevumus, sākot no sejas un objektu atpazīšanas līdz senās spēles Go spēlēšanai.

Ironija, protams, ir tāda, ka neironu tīklus iedvesmoja smadzeņu struktūra. Izrādās, ka pastāv ievērojamas līdzības starp dziļo konvolucionālo neironu tīklu plašāko struktūru aiz mašīnas redzes un smadzeņu struktūru, kas ir atbildīga par redzi. Viens no tiem attīstījās miljoniem gadu, bet otrs radās tikai dažu gadu desmitu laikā. Bet šķiet, ka abi darbojas vienādi.

Un tas rada interesantu jautājumu — ja mašīnredze un cilvēka redze darbojas līdzīgi, vai tos arī ierobežo tie paši ierobežojumi? Vai cilvēki un mašīnas cīnās ar vienādām ar redzi saistītām problēmām?

Šodien mēs saņemam atbildi, pateicoties Saeed Reza Kheradpisheh darbam Teherānas Universitātē Irānā un dažiem draugiem no visas pasaules. Šie puiši ir pārbaudījuši cilvēkus un mašīnas ar vienādām redzes problēmām un atklājuši, ka viņi patiešām cīnās ar tāda paša veida problēmām.

Vispirms nedaudz fona. Ceļš smadzenēs, kas ir atbildīgs par redzi, darbojas vairākos slāņos, un tiek uzskatīts, ka katrs no tiem pakāpeniski iegūst no attēla vairāk informācijas, piemēram, kustību, formu, krāsu utt. Katrs slānis sastāv no milzīga skaita neironu, kas savienoti plašā tīklā.

Dziļās konvolūcijas neironu tīkliem ir līdzīga struktūra. Tie arī sastāv no slāņiem, un katrs no tiem ir ķēžu tīkls, kas paredzēts neironu uzvedības atdarināšanai, tāpēc termins neironu tīkls.

Daudzu izmēģinājumu un kļūdu laikā datorzinātnieki ir atklājuši, ka šie slāņi darbojas vislabāk, ja katrs iegūst pakāpeniski vairāk informācijas par attēlu. Un, aplūkojot slāņu uzvedību atsevišķi, viņi atrod ievērojamas līdzības ar noteiktu smadzeņu slāņu darbību.

Bet, lai gan cilvēka smadzenes labi spēj atpazīt objektus, tās nav perfektas. Kaut kādā veidā mainiet attēlu, un ne vienmēr ir viegli atpazīt tajā esošo objektu.

Iedomājieties, piemēram, automašīnas attēlu, kas uzņemts no sāniem. Ir dažādi veidi, kā šo attēlu var mainīt. Viens no tiem ir pārtulkot objektu, pārvietot to no vienas attēla daļas uz citu. Vēl viens veids ir to palielināt vai samazināt.

Tad ir divu veidu rotācija. Viens no tiem ir griešanās plaknē, kas parāda automašīnu no sāniem, bet, piemēram, otrādi.

Ir arī rotācijas dziļumā. Šajā gadījumā automašīna ir jāiztēlojas kā 3-D objekts, kas redzams no sāniem. Rotējot padziļināti, tiek parādīta automašīna no priekšpuses, aizmugures vai trīs ceturtdaļas un tā tālāk.

Bet, ņemot vērā divus vienas un tās pašas automašīnas attēlus no dažādiem skatu punktiem, cik grūti ir pārliecināties, ka abos ir redzams viens un tas pats transportlīdzeklis? Skaidrs, ka daži izkropļojumu veidi ir grūtāki nekā citi, bet kuri? Un vai mašīnām ir tādas pašas problēmas?

Lai to noskaidrotu, Kheradpisheh un līdzinieks izveidoja četru dažādu objektu attēlu variācijas un pēc tam pārbaudīja, cik labi cilvēki un dziļie konvolucionālie neironu tīkli tiek galā ar uzdevumu tos atpazīt.

Pārbaude cilvēkiem ietver attēla atlasi pēc nejaušības principa un rādīšanu ekrānā 12,5 milisekundes. Pēc tam subjektam ir jānospiež viena no četrām pogām, lai norādītu, vai attēlā ir automašīna, kuģis, motocikls vai dzīvnieks.

Komanda kopumā pārbaudīja 89 dažādus cilvēkus, kuri katrs aplūkoja 960 attēlus. Pētnieki izmantoja katra subjekta reakcijas ātrumu un precizitāti, lai noteiktu, cik labi viņi atpazina katru objektu.

Komanda arī veica līdzvērtīgu testu diviem no visspēcīgākajiem dziļo konvoluciju tīkliem, ko izmanto objektu atpazīšanai, no kuriem viens tika izstrādāts Toronto Universitātē Kanādā un otrs Oksfordas Universitātē Apvienotajā Karalistē.

Rezultāti rada interesantu lasīšanu. Mēs atklājām, ka cilvēki un DCNN lielā mērā vienojās par katra veida variācijas relatīvajām grūtībām, saka Kheradpisheh un citi. Grūtāk apstrādājamā transformācija ir dziļuma pagriešana, kam seko mērogs, pēc tam rotācija plaknē un visbeidzot pozīcija (daudz vieglāk).

Šim interesantajam darbam ir dažas tūlītējas sekas. Sākumā datorzinātniekiem būs jābūt daudz uzmanīgākiem, veidojot datu bāzes mašīnas redzes pārbaudei. Nākotnē viņiem būs jākontrolē faktori, kas mašīnām šķiet grūtāki.

Bet tas arī parāda dziļu konvolucionālu neironu tīklu potenciālu, lai palīdzētu pārbaudīt cilvēka izziņas darbību. Atsevišķu attēlu dizains ir kritisks uzdevums tādās lietojumprogrammās kā gaisa satiksmes vadība, avārijas izejas, dzīvības glābšanas aprīkojuma lietošanas instrukcijas un tā tālāk.

Cilvēku izmantošana šo attēlu novērtēšanai ir laikietilpīgs un dārgs bizness. Bet, iespējams, šāda veida neironu tīkli varētu paveikt darbu vai vismaz izsijāt sliktākos piemērus un atstāt cilvēkiem daudz labāk definētu un mazāk apgrūtinošu uzdevumu.

Turklāt var būt iespējams izstrādāt mašīnredzes sistēmas, kuras netiek apmānītas tādā pašā veidā, kā cilvēki, un tādējādi varētu uzlabot cilvēku lēmumu pieņemšanu kritiskās situācijās, piemēram, vadot automašīnu.

Un tas ir tikai sākums. Neironu tīkli jau tagad maina visu veidu uzdevumus, kas agrāk bija cilvēku ziņā — šīs pārmaiņas tikai paātrināsies.

Atsauce: arxiv.org/abs/1604.06486 : cilvēki un dziļie tīkli lielā mērā vienojas par to, kāda veida variācijas apgrūtina objektu atpazīšanu

paslēpties