Een nieuw soort computervisie kan niet worden misleid door rare verlichting

Categorie: Geen categorie Geplaatst 21 november

Computervisie heeft sindsdien een lange weg afgelegd imagenet , een grote, open-source dataset van gelabelde afbeeldingen, werd in 2009 vrijgegeven voor onderzoekers om AI te trainen, maar afbeeldingen met lastige of slechte belichting kunnen algoritmen nog steeds verwarren. Onderzoekers hebben geprobeerd handgemaakte regels te gebruiken over hoe licht interageert met objecten of een dataset gebruikt die zoveel mogelijk lichtsituaties dekt. Maar er is een bijna onbeperkte combinatie van items en licht in de echte wereld, waardoor beide benaderingen worden belemmerd.

Een nieuw artikel van onderzoekers van MIT en DeepMind beschrijft een proces dat afbeeldingen in verschillende belichtingen kan identificeren zonder regels te hoeven coderen of te trainen op een enorme dataset. Het proces, een gerenderd intrinsieks netwerk (RIN) genoemd, scheidt automatisch een afbeelding in reflectie-, vorm- en lichtlagen. Vervolgens worden de lagen opnieuw gecombineerd tot een reconstructie van het oorspronkelijke beeld.

Om RIN te trainen, creëerden de onderzoekers een dataset van vijf vormen - kubussen, bollen, kegels, cilinders en torussen - en elk weergegeven met 10 verschillende oriëntaties en 500 verschillende kleuren. Als proof of concept lieten de onderzoekers zien hoe het opsplitsen van een afbeelding in de drie lagen een computer kan helpen te identificeren wat een item in een afbeelding is, of de vorm ervan af te leiden. Het model leerde bijvoorbeeld veel gecompliceerdere items te herkennen, zoals de klassieke testmodellen voor afbeeldingen Stanford konijntje , Utah theepot , en Suzanne van de blender -na te zijn getraind in de basismonstervormen, zonder ooit gelabelde voorbeelden te zien.

RIN biedt niet alleen een nieuwe manier om het probleem van oneindige lichtsituaties voor een afbeelding op te lossen, maar is ook een voorbeeld van leren met niet-gelabelde gegevens. De meeste AI heeft nog steeds gelabelde gegevens nodig om te leren, en het voorbereiden ervan kost uren van repetitieve menselijke arbeid. Een manier vinden om te leren van niet-gelabelde gegevens is een van de volgende grenzen in kunstmatige intelligentie.