211service.com
Onbeperkte computerfractals kunnen helpen AI te trainen om te zien
mevrouw Tech | Unsplash
De meeste beeldherkenningssystemen zijn getraind met behulp van grote databases die miljoenen foto's bevatten van alledaagse voorwerpen, van slangen tot shakes tot schoenen. Bij herhaalde blootstelling leren AI's het ene type object van het andere te onderscheiden. Nu hebben onderzoekers in Japan aangetoond dat AI's kunnen beginnen met het leren herkennen van alledaagse voorwerpen door ze te trainen op computer-gegenereerde fractals in plaats van.
Het is een raar idee, maar het kan een groot probleem zijn. Automatisch trainingsgegevens genereren is een opwindende trend in machine learning. En door een eindeloze voorraad synthetische afbeeldingen te gebruiken in plaats van foto's die van internet zijn geschraapt, worden problemen met bestaande handgemaakte datasets vermeden.
Trainingsproblemen: Pretraining is een fase waarin een AI enkele basisvaardigheden leert voordat hij wordt getraind op meer gespecialiseerde gegevens. Met vooraf getrainde modellen kunnen meer mensen krachtige AI gebruiken. In plaats van een model helemaal opnieuw te moeten trainen, kunnen ze een bestaand model aanpassen aan hun behoeften. Een systeem voor het diagnosticeren van medische scans kan bijvoorbeeld eerst leren om elementaire visuele kenmerken, zoals vorm en omtrek, te identificeren door vooraf te worden getraind in een database met alledaagse voorwerpen, zoals ImageNet , die meer dan 14 miljoen foto's bevat. Daarna wordt het verfijnd op een kleinere database met medische beelden totdat het subtiele tekenen van ziekte herkent.
Verwant verhaal
AI moet het probleem van de onzichtbare werknemer onder ogen zien Machine learning-modellen worden getraind door laagbetaalde online gig-werkers. Ze gaan niet weg, maar we kunnen de manier waarop ze werken veranderen, zegt Saiph Savage.Het probleem is dat het handmatig samenstellen van een dataset als ImageNet veel tijd en moeite kost. De afbeeldingen worden meestal gelabeld met: laagbetaalde crowdworkers . Gegevenssets kunnen ook bevatten: seksistisch of racistische labels die een model op verborgen manieren kunnen vooroordelen, evenals afbeeldingen van mensen die zonder hun toestemming zijn opgenomen. Er zijn aanwijzingen dat deze vooroordelen kunnen binnensluipen zelfs in de vooropleiding .
natuurlijke vormen : Fractals zijn overal in te vinden, van bomen en bloemen tot wolken en golven. Dit deed het team van het Japanse National Institute of Advanced Industrial Science and Technology (AIST), het Tokyo Institute of Technology en de Tokyo Denki University zich afvragen of deze patronen kunnen worden gebruikt om een geautomatiseerd systeem de basisprincipes van beeldherkenning te leren, in plaats van foto's te gebruiken. van echte objecten.
De onderzoekers creëerden FractalDB, een eindeloos aantal computergegenereerde fractals. Sommige zien eruit als bladeren; andere zien eruit als sneeuwvlokken of slakkenhuizen. Elke groep vergelijkbare patronen kreeg automatisch een label. Vervolgens gebruikten ze FractalDB om een convolutioneel neuraal netwerk voor te trainen, een soort diepleermodel dat vaak wordt gebruikt in beeldherkenningssystemen, voordat ze de training afrondden met een reeks echte afbeeldingen. Ze ontdekten dat het bijna net zo goed presteerde als modellen die waren getraind op state-of-the-art datasets, waaronder ImageNet en Plaatsen , dat 2,5 miljoen afbeeldingen van buitenscènes bevat.
Werkt het? Anh Nguyen van de Auburn University in Alabama, die niet betrokken was bij het onderzoek, is er niet van overtuigd dat FractalDB nog een match is voor bijvoorbeeld ImageNet. Hij heeft onderzocht hoe abstracte patronen kunnen verwarren beeldherkenningssystemen . Er is een verband tussen dit werk en voorbeelden die machines voor de gek houden, zegt hij. Hoe deze nieuwe aanpak werkt, wil hij graag nader onderzoeken. Maar de Japanse onderzoekers denken dat met aanpassingen aan hun aanpak, computergegenereerde datasets zoals FractalDB bestaande kunnen vervangen.
Waarom fractalen: De onderzoekers probeerden ook hun AI te trainen met behulp van andere abstracte afbeeldingen, waaronder afbeeldingen die zijn gemaakt met Perlin geluid , die gespikkelde patronen creëert, en Bézier-curven , een type curve dat wordt gebruikt in computergraphics. Maar fractals gaven de beste resultaten. Fractale geometrie bestaat in de achtergrondkennis van de wereld, zegt hoofdauteur Hirokatsu Kataoka van AIST.