Als je de Mannequin Challenge hebt gedaan, ga je nu verder met robotica-onderzoek

Categorie: Kunstmatige intelligentie Geplaatst 26 juni

Werp je geest terug naar het internet in 2016. Heb je vage herinneringen aan de Mannequin Challenge? Welnu, de virale YouTube-trend is nu gebruikt om een ​​neuraal netwerk te trainen in het begrijpen van 3D-scènes.

De context: We zijn van nature goed in het interpreteren van 2D-video's als 3D-scènes, maar machines moeten worden geleerd hoe ze dit moeten doen. Het is een handige vaardigheid om te hebben: het vermogen om de diepte en rangschikking van vrij bewegende objecten te reconstrueren kan robots helpen bij het manoeuvreren in onbekende omgevingen. Daarom fascineert de uitdaging computervisieonderzoekers al lang, vooral in de context van zelfrijdende auto's.

De gegevens: Om dit probleem aan te pakken, wendde een team van Google AI zich tot een onverwachte dataset : duizenden YouTube-video's van mensen die de Mannequin Challenge uitvoeren. (Als het je op dat moment passeerde, betekende dit dat je zo stil mogelijk moest staan ​​terwijl iemand om je heen bewoog en de pose vanuit alle hoeken filmde.) Deze video's zijn ook een nieuwe bron van gegevens om de diepte van een 2D-beeld.

De methode: De onderzoekers hebben 2.000 van de video's omgezet in 2D-afbeeldingen met dieptegegevens in hoge resolutie en gebruikten ze om een ​​neuraal netwerk te trainen. Het was toen in staat om de diepte van bewegende objecten in een video te voorspellen met een veel hogere nauwkeurigheid dan mogelijk was met eerdere state-of-the-art methoden. Vorige week kregen de onderzoekers de prijs een beste papieren eervolle vermelding op een grote computer vision-conferentie.

Onwetende deelnemers: De onderzoekers hebben ook hun dataset vrijgegeven om toekomstig onderzoek te ondersteunen, wat betekent dat duizenden mensen die deelnamen aan de Mannequin Challenge onbewust zullen blijven bijdragen aan de vooruitgang van computervisie en robotica-onderzoek. Hoewel dat voor sommigen misschien als een onaangename verrassing komt, is dit eerder regel dan uitzondering in AI-onderzoek.

Veel van de meest fundamentele datasets in het veld, waaronder Fei-Fei Li's ImageNet , die het begin waren van de deep-learningrevolutie, werden samengesteld op basis van openbaar beschikbare gegevens die waren geschraapt van Twitter, Wikipedia, Flickr en andere bronnen. De praktijk wordt gemotiveerd door de enorme hoeveelheid gegevens die nodig is om deep learning-algoritmen te trainen en is de afgelopen jaren alleen maar verergerd naarmate onderzoekers steeds grotere modellen om baanbrekende resultaten te behalen.

Data Privacy: Zoals we eerder hebben geschreven, is deze praktijk van het schrappen van gegevens niet duidelijk goed of slecht, maar stelt het de normen rond toestemming in de industrie in twijfel. Naarmate gegevens steeds meer worden gecommoditiseerd en te gelde worden gemaakt, moeten technologen nadenken of de manier waarop ze iemands gegevens gebruiken in overeenstemming is met de geest van waarom deze oorspronkelijk zijn gegenereerd en gedeeld.