Revolucionārs paņēmiens, kas klusi mainīja mašīnas redzējumu uz visiem laikiem

Kosmosa izpētē ir Google Lunar X balva par rovera novietošanu uz Mēness virsmas. Medicīnā ir Qualcomm Tricorder X balva par Star Trek līdzīgas ierīces izstrādi slimību diagnosticēšanai. Ir pat topošā Mākslīgā intelekta X balva par tādas AI sistēmas izstrādi, kas spēj sniegt aizraujošu TED runu.

Mašīnredzes pasaulē līdzvērtīgs mērķis ir uzvarēt ImageNet liela mēroga vizuālās atpazīšanas izaicinājumā. Šis ir konkurss, kas notiek katru gadu kopš 2010. gada, lai novērtētu attēlu atpazīšanas algoritmus. (Tas ir izstrādāts, lai turpinātu līdzīgu projektu ar nosaukumu PASCAL VOC, kas darbojās no 2005. līdz 2012. gadam).

Konkursa dalībniekiem šajā konkursā ir divi vienkārši uzdevumi. Kad tiek parādīts sava veida attēls, pirmais uzdevums ir izlemt, vai tajā ir noteikta veida objekts vai nē. Piemēram, konkursa dalībnieks var nolemt, ka šajā attēlā ir automašīnas, bet nav tīģeru. Otrs uzdevums ir atrast konkrētu objektu un uzzīmēt tam apkārt kastīti. Piemēram, konkursa dalībnieks var nolemt, ka noteiktā vietā atrodas skrūvgriezis, kura platums ir 50 pikseļi un augstums 30 pikseļi.

Ak, un vēl viena lieta: ir 1000 dažādu objektu kategoriju, sākot no abakusa līdz cukini, un konkursa dalībniekiem ir jāizpēta datu bāze, kurā ir vairāk nekā 1 miljons attēlu, lai atrastu katru katra objekta eksemplāru. Viltīgs!

Datoriem vienmēr ir bijušas problēmas identificēt objektus reālos attēlos, tāpēc nav grūti noticēt, ka šo sacensību uzvarētāji vienmēr ir snieguši vājus rezultātus salīdzinājumā ar cilvēkiem.

Taču viss mainījās 2012. gadā, kad komanda no Toronto Universitātes Kanādā ievadīja algoritmu ar nosaukumu SuperVision, kas slaucīja grīdu ar opozīciju.

Šodien Olga Rusakovska no Stenfordas universitātes Kalifornijā un daži draugi pārskata šī konkursa vēsturi un saka, ka, retrospektīvi skatoties, SuperVision visaptverošā uzvara bija pagrieziena punkts mašīnredzēšanā. Kopš tā laika, viņi saka, mašīnredze ir uzlabojusies tik strauji, ka šodien tā pirmo reizi konkurē ar cilvēka precizitāti.

Tātad, kas notika 2012. gadā, kas mainīja mašīnredzes pasauli? Atbilde ir paņēmiens, ko sauc par dziļajiem konvolucionālajiem neironu tīkliem, ko Super Visison algoritms izmantoja, lai klasificētu 1,2 miljonus augstas izšķirtspējas attēlu datu kopā 1000 dažādās klasēs.

Šī bija pirmā reize, kad konkursā uzvarēja dziļais konvolucionālais neironu tīkls, un tā bija nepārprotama uzvara. 2010. gadā uzvarējušā darba kļūdu īpatsvars bija 28,2 procenti, 2011. gadā kļūdu īpatsvars bija samazinājies līdz 25,8 procentiem. Taču 2012. gadā SuperVision uzvarēja ar kļūdu līmeni tikai 16,4 procenti (otrajam labākajam ierakstam kļūdu līmenis bija 26,2 %). Šī skaidrā uzvara nodrošināja, ka kopš tā laika šī pieeja ir plaši kopēta.

Konvolucionālie neironu tīkli sastāv no vairākiem mazu neironu kolekciju slāņiem, no kuriem katrs aplūko nelielas attēla daļas. Visu slāņa kolekciju rezultāti pārklājas, lai izveidotu visa attēla atveidojumu. Tālāk esošais slānis atkārto šo procesu jaunajā attēla attēlojumā, ļaujot sistēmai uzzināt par attēla sastāvu.

Dziļi konvolucionālie neironu tīkli tika izgudroti 80. gadu sākumā. Bet tikai pēdējos pāris gados datori ir sākuši iegūt zirgspēkus, kas nepieciešami augstas kvalitātes attēlu atpazīšanai.

Piemēram, SuperVision sastāv no aptuveni 650 000 neironu, kas sakārtoti piecos konvolūcijas slāņos. Tam ir aptuveni 60 miljoni parametru, kas ir precīzi jānoregulē mācību procesa laikā, lai atpazītu objektus noteiktās kategorijās. Tieši šī milzīgā parametru telpa ļauj atpazīt tik daudz dažādu veidu objektu.

Kopš 2012. gada vairākas grupas ir ievērojami uzlabojušas SuperVision rezultātus. Šogad Google inženieru komandas izveidotais algoritms ar nosaukumu GoogLeNet sasniedza tikai 6,7 procentu kļūdu līmeni.

Viens no lielākajiem izaicinājumiem šāda veida sacensību vadīšanā ir, pirmkārt, augstas kvalitātes datu kopas izveide, saka Russakovskis un citi. Katram attēlam datu bāzē ir jābūt anotētam atbilstoši zelta standartam, kam jāatbilst algoritmiem. Ir arī apmācību datu bāze, kurā ir aptuveni 150 000 attēlu, kas arī ir jāanotē.

Ar tik lielu attēlu skaitu tas nav viegls uzdevums. Russakovskis un viņa kolēģi to ir izdarījuši, izmantojot pūļa avotus tādās iekārtās kā Amazon's Mechanical Turk, kur viņi lūdz cilvēkus klasificēt attēlus kategorijās. Tas prasa ievērojamu plānošanas, kontrolpārbaudes un atkārtotas palaišanas apjomu, kad tas nedarbojas. Viņi saka, ka rezultāts ir augstas kvalitātes attēlu datubāze, kas ir anotēta ar augstu precizitātes pakāpi.

Interesants jautājums ir par to, kā labākie algoritmi tiek salīdzināti ar cilvēkiem, kad runa ir par objektu atpazīšanu. Russakovskis un citi ir salīdzinājuši cilvēkus ar mašīnām, un viņu secinājums šķiet neizbēgams. Mūsu rezultāti liecina, ka apmācīts cilvēka anotators spēj pārspēt labāko modeli (GoogLeNet) par aptuveni 1,7%, viņi saka.

Citiem vārdiem sakot, nepaies ilgs laiks, līdz mašīnas attēlu atpazīšanas uzdevumos ievērojami pārspēj cilvēkus.

Labākie mašīnredzes algoritmi joprojām cīnās ar maziem vai plāniem objektiem, piemēram, mazu skudru uz zieda kāta vai cilvēku, kas tur spalvu rokā. Viņiem ir arī problēmas ar attēliem, kas ir izkropļoti ar filtriem, kas ir arvien izplatītāka parādība mūsdienu digitālajās kamerās.

Turpretim šāda veida attēli reti sagādā problēmas cilvēkiem, kuriem mēdz būt problēmas ar citām problēmām. Piemēram, viņi neprot klasificēt objektus smalkās kategorijās, piemēram, konkrētas suņu vai putnu sugas, turpretim mašīnredzes algoritmi to apstrādā viegli.

Bet tendence ir skaidra. Ir skaidrs, ka cilvēki drīz pārspēs jaunākos attēlu klasifikācijas modeļus, tikai izmantojot ievērojamas pūles, zināšanas un laiku, saka Russakovskis un citi.

Citiem vārdiem sakot, ir tikai laika jautājums, kad jūsu viedtālrunis labāk atpazīst jūsu attēlu saturu nekā jūs.

Atsauce: http://arxiv.org/abs/1409.0575 : ImageNet liela mēroga vizuālās atpazīšanas izaicinājums

paslēpties