Virtuālās acis apmāca dziļas mācīšanās algoritmu, lai atpazītu skatiena virzienu

Acu kontakts ir viens no spēcīgākajiem neverbālās komunikācijas veidiem. Ja iemiesojumi un roboti kādreiz to izmantos, datorzinātniekiem būs labāk jāuzrauga, jāsaprot un jāatveido šī uzvedība.

Bet acu izsekošanu ir vieglāk pateikt, nekā izdarīt. Iespējams, visdaudzsološākā pieeja ir apmācīt mašīnmācības algoritmu, lai atpazītu skatiena virzienu, pētot lielu acu attēlu datu bāzi, kurā skatiena virziens jau ir zināms.

Problēma ir tāda, ka nepastāv lielas šāda veida datu bāzes. Un tos ir grūti izveidot: iedomājieties, ka fotografējat cilvēku, kurš skatās dažādos virzienos, izmantojot dažādus kameras leņķus dažādos apgaismojuma apstākļos. Un tad to atkal darīt citam cilvēkam ar citu acu formu un seju utt. Šāds projekts būtu ļoti laikietilpīgs un dārgs.

Šodien Erols Vuds Kembridžas Universitātē Apvienotajā Karalistē un daži draugi saka, ka ir atrisinājuši šo problēmu, izveidojot milzīgu datu bāzi ar tieši tādiem acu attēliem, kādi nepieciešami mašīnmācīšanās algoritmam. Tas viņiem ir ļāvis apmācīt mašīnu, lai tā atpazītu skatiena virzienu precīzāk nekā jebkad agrāk.

Tātad, kā viņi to ir izdarījuši? Viņu viltība ir pilnībā mākslīgi izveidot datubāzi. Viņi vispirms izveido ļoti detalizētu acs, plakstiņa un ap to esošā reģiona virtuālo modeli. Pēc tam viņi veido šo modeli dažādās sejās, kas attēlo dažādu vecumu, ādas krāsu un acu tipu cilvēkus, un fotografē tos — praktiski.

Fotogrāfijas var raksturot ar četriem dažādiem mainīgajiem. Tie ir: kameras pozīcija, skatiena virziens, apgaismojuma vide un acu modelis. Lai izveidotu datu bāzi, Wood and co sākas ar konkrētu acu modeli un apgaismojuma vidi un sākas ar acīm, kas ir vērstas noteiktā virzienā. Pēc tam viņi maina kameras pozīciju, uzņemot fotogrāfijas no dažādiem leņķiem ap galvu.

Pēc tam viņi pārvieto acis uz citu pozīciju un atkārto kameras pozīcijas izmaiņas. Un tā tālāk.

Rezultāts ir vairāk nekā 11 000 attēlu datu bāze, kas aptver 40 grādu kameras leņķa izmaiņas un skatiena izmaiņas par 90 grādiem. Katram attēlam viņi nejauši izvēlējās acu krāsu un vides apgaismojuma apstākļus.

Visbeidzot, Vuds un co izmantoja datu kopu, lai apmācītu dziļu konvolucionālu neironu tīklu, lai atpazītu skatiena virzienu. Un viņi pārbaudīja iegūto algoritmu, izmantojot dabisko attēlu kopumu, kas uzņemts no savvaļas. Mēs parādījām, ka mūsu metode pārspēj vismodernākās metodes, lai savvaļā novērtētu skatienu, pamatojoties uz izskatu, pamatojoties uz datiem, viņi saka.

Tas ir interesants darbs. Pateicoties diviem sasniegumiem, padziļinātas mācīšanās metodes pašlaik pārņem datorzinātnes vārdus. Pirmais ir labāka izpratne par pašiem neironu tīkliem, kas ļāva datorzinātniekiem tos ievērojami uzlabot.

Otrais ir milzīgu anotētu datu kopu izveide, ko var izmantot šo tīklu apmācīšanai. Daudzas no šīm jaunajām datu kopām ir izveidotas, izmantojot pūļa iegūšanas metodes, piemēram, Amazon's Mechanical Turk.

Bet Vuds un co ir izvēlējušies citu pieeju. Viņu datu kopa ir pilnībā sintētiska, izveidota datorā. Tāpēc būs interesanti redzēt, kur vēl viņi var pielietot šo sintētisko metodi, lai izveidotu datu kopas cita veida dziļām mācībām.

Atsauce: arxiv.org/abs/1505.05916 : acu atveidošana acu formas reģistrēšanai un skatiena novērtēšanai

paslēpties