Neurale netwerken begrijpen niet wat optische illusies zijn

Afbeelding van zwart-wit optische illusie Pixabay

Het menselijk zicht is een buitengewone faciliteit. Hoewel het zich gedurende vele miljoenen jaren in specifieke omgevingen heeft ontwikkeld, is het in staat taken uit te voeren die vroege visuele systemen nooit hebben ervaren. Lezen is een goed voorbeeld, evenals het identificeren van kunstmatige objecten zoals auto's, vliegtuigen, verkeersborden, enzovoort.

Maar het visuele systeem heeft ook een aantal bekende tekortkomingen die we ervaren als optische illusies. Onderzoekers hebben inderdaad veel manieren geïdentificeerd waarop deze illusies ervoor zorgen dat mensen kleur, grootte, uitlijning en beweging verkeerd inschatten.

De illusies zelf zijn interessant omdat ze inzicht geven in de aard van het visuele systeem en de waarneming. Dus manieren om nieuwe illusies te vinden die deze grenzen verkennen, zouden enorm nuttig zijn.

Concentrische cirkels?

Dat is waar deep learning om de hoek komt kijken. De afgelopen jaren hebben machines geleerd om objecten en gezichten in afbeeldingen te herkennen en vervolgens zelf soortgelijke afbeeldingen te maken. Het is dus gemakkelijk voor te stellen dat een machine-visiesysteem in staat zou moeten zijn om illusies te leren herkennen en vervolgens zijn eigen illusies te creëren.

Betreed Robert Williams en Roman Yampolskiy aan de Universiteit van Louisville in Kentucky. Deze jongens hebben deze prestatie geprobeerd, maar ontdekten dat de dingen niet zo eenvoudig zijn. De huidige machine learning-systemen kunnen hun eigen optische illusies niet genereren - althans nog niet. Waarom niet?

Eerst wat achtergrond. De recente ontwikkelingen op het gebied van deep learning zijn gebaseerd op twee ontwikkelingen. De eerste is de beschikbaarheid van krachtige neurale netwerken en een of twee programmeertrucs waardoor ze goed kunnen leren.

De tweede is het creëren van enorme geannoteerde databases waar machines van kunnen leren. Om een ​​machine bijvoorbeeld gezichten te leren herkennen, zijn vele tienduizenden afbeeldingen nodig met gezichten die duidelijk gelabeld zijn. Met die informatie kan een neuraal net karakteristieke gezichtspatronen leren herkennen, bijvoorbeeld twee ogen, een neus en een mond. En nog indrukwekkender, een paar van hen - een generatief vijandig netwerk genoemd - kan elkaar leren realistische, maar volledig synthetische afbeeldingen van gezichten te maken.

Williams en Yampolskiy wilden een neuraal netwerk leren om optische illusies op dezelfde manier te identificeren. De rekenkracht is gemakkelijk beschikbaar, maar de benodigde databases zijn dat niet. De eerste taak van de onderzoekers was dus om een ​​database met optische illusies voor training te creëren.

Dat blijkt lastig. Het aantal statische optische illusiebeelden loopt in de duizenden, en het aantal unieke soorten illusies is zeker erg laag, misschien slechts enkele tientallen, zeggen ze.

Dat vormt een uitdaging voor de huidige machine learning-systemen. Het creëren van een model dat in staat is om te leren van zo'n kleine en beperkte dataset zou een enorme sprong voorwaarts betekenen in generatieve modellen en begrip van de menselijke visie, zeggen ze.

Dus stelden Williams en Yampolskiy een database samen van meer dan 6000 afbeeldingen van optische illusies en trainden ze vervolgens een neuraal netwerk om ze te herkennen. Daarna bouwden ze een generatief vijandig netwerk om optische illusies voor zichzelf te creëren.

De resultaten waren teleurstellend. Er is niets van waarde gecreëerd na 7 uur training op een Nvidia Tesla K80, zeggen de onderzoekers, die hun database beschikbaar hebben gesteld voor gebruik door anderen.

Toch is dit een interessant resultaat. De enige optische illusies die mensen kennen, zijn gecreëerd door evolutie (bijvoorbeeld oogpatronen in vlindervleugels) of door menselijke kunstenaars, wijzen ze erop.

In beide gevallen spelen mensen een cruciale rol door waardevolle feedback te geven - mensen kunnen: zien de illusie.

Maar machine vision-systemen kunnen dat niet. Het lijkt onwaarschijnlijk dat [een generatief netwerk van tegenstanders] zou kunnen leren de menselijke visie te misleiden zonder de principes achter deze illusies te kunnen begrijpen, zeggen Williams en Yampolskiy.

Ze zijn misschien niet gemakkelijk, omdat er cruciale verschillen zijn tussen machinevisiesystemen en het menselijke visuele systeem. Verschillende onderzoekers ontwikkelen neurale netwerken die steeds meer op het menselijke visuele systeem gaan lijken. Misschien is een interessante test of ze illusies kunnen zien of niet.

Intussen zijn Williams en Yampolskiy niet optimistisch. Het lijkt erop dat een dataset van illusiebeelden misschien niet voldoende is om nieuwe illusies te creëren, zeggen ze. Op dit moment zijn optische illusies dus een bastion van menselijke ervaring dat machines niet kunnen veroveren.

Referentie: arxiv.org/abs/1810.00415 : Optische illusies Afbeeldingen Dataset

zich verstoppen