Neierobežots datora fraktāļu skaits var palīdzēt apmācīt AI redzēt

Ms Tech | Atbrīvojieties no šļakatām

Lielākā daļa attēlu atpazīšanas sistēmu tiek apmācītas, izmantojot lielas datubāzes, kurās ir miljoniem ikdienas objektu fotoattēlu, sākot no čūskām līdz drebuļiem un beidzot ar apaviem. Ar atkārtotu iedarbību AI iemācās atšķirt viena veida objektus no cita. Tagad Japānas pētnieki ir pierādījuši, ka AI var sākt mācīties atpazīt ikdienas priekšmetus, apmācot uz datora ģenerētiem fraktāļiem vietā.

Tā ir dīvaina ideja, taču tā varētu būt liela lieta. Automātiski ģenerē treniņu datus ir aizraujoša tendence mašīnmācībā. Izmantojot nebeidzamu sintētisko attēlu klāstu, nevis fotoattēlus, kas iegūti no interneta, tiek novērstas problēmas ar esošajām ar rokām veidotām datu kopām.

Apmācības problēmas: Pirmsapmācība ir fāze, kurā AI apgūst dažas pamatprasmes, pirms tiek apmācīts par specializētākiem datiem. Iepriekš apmācīti modeļi ļauj lielākam skaitam cilvēku izmantot jaudīgu AI. Tā vietā, lai modelis būtu jāapmāca no nulles, viņi var pielāgot esošo modeli savām vajadzībām. Piemēram, medicīnisko skenēšanas diagnostikas sistēma vispirms var iemācīties identificēt pamata vizuālās pazīmes, piemēram, formu un kontūru, iepriekš apmācot ikdienas priekšmetu datubāzi, piemēram, ImageNet , kurā ir vairāk nekā 14 miljoni fotoattēlu. Pēc tam tas tiks precīzi noregulēts mazākā medicīnisko attēlu datu bāzē, līdz atpazīs smalkas slimības pazīmes.

Saistīts stāsts

AI ir jārisina neredzamā darbinieka problēma Mašīnmācības modeļus apmāca zemu atalgoti tiešsaistes koncertu darbinieki. Viņi nepazudīs, bet mēs varam mainīt veidu, kā viņi strādā, saka Saiph Sevage.

Problēma ir tāda, ka tādas datu kopas kā ImageNet apkopošana ar rokām prasa daudz laika un pūļu. Attēli parasti ir apzīmēti ar zemu atalgoti pūļa darbinieki . Datu kopās var būt arī seksistisks vai rasistiskas etiķetes, kas var slēptā veidā novirzīt modeli, kā arī attēlus ar cilvēkiem, kuri ir iekļauti bez viņu piekrišanas. Ir pierādījumi, ka šie aizspriedumi var iezagties pat priekšapmācībā .

Dabiskās formas : Fraktāļus var atrast it visā, sākot no kokiem un ziediem līdz mākoņiem un viļņiem. Tas lika Japānas Nacionālā progresīvās rūpniecības zinātnes un tehnoloģiju institūta (AIST), Tokijas Tehnoloģiju institūta un Tokijas Denki universitātes komandai aizdomāties, vai šos modeļus varētu izmantot, lai mācītu automatizētai sistēmai attēlu atpazīšanas pamatus, nevis fotoattēlus. no reāliem objektiem.

Pētnieki izveidoja FractalDB, bezgalīgu skaitu datorizētu fraktāļu. Daži izskatās kā lapas; citi izskatās pēc sniegpārslām vai gliemežvākiem. Katrai līdzīgu modeļu grupai automātiski tika piešķirta etiķete. Pēc tam viņi izmantoja FractalDB, lai iepriekš apmācītu konvolucionālo neironu tīklu, kas ir dziļas mācīšanās modeļa veids, ko parasti izmanto attēlu atpazīšanas sistēmās, pirms tika pabeigta apmācība ar faktisku attēlu kopu. Viņi atklāja, ka tas darbojas gandrīz tikpat labi kā modeļi, kas apmācīti, izmantojot vismodernākās datu kopās, tostarp ImageNet un Vietas , kurā ir 2,5 miljoni āra ainu attēlu.

Vai tas strādā? Anh Nguyen no Auburn universitātes Alabamas štatā, kurš nebija iesaistīts pētījumā, nav pārliecināts, ka FractalDB joprojām atbilst ImageNet. Viņš ir pētījis, kā var abstrakti modeļi sajaukt attēlu atpazīšanas sistēmas . Viņš saka, ka pastāv saikne starp šo darbu un piemēriem, kas apmāna mašīnas. Viņš vēlētos sīkāk izpētīt, kā šī jaunā pieeja darbojas. Taču japāņu pētnieki domā, ka, pielāgojot viņu pieeju, datorizētas datu kopas, piemēram, FractalDB, varētu aizstāt esošās.

Kāpēc fraktāļi: Pētnieki arī mēģināja apmācīt savu AI, izmantojot citus abstraktus attēlus, tostarp tos, kas iegūti, izmantojot Perlīna troksnis , kas rada raibus rakstus, un Bezjē līknes , līknes veids, ko izmanto datorgrafikā. Bet vislabākos rezultātus sniedza fraktāļi. Fraktāļu ģeometrija pastāv pasaules fona zināšanās, saka vadošais autors Hirokatsu Kataoka no AIST.

paslēpties