211service.com
Virtuele ogen trainen diepgaand leeralgoritme om blikrichting te herkennen
Oogcontact is een van de krachtigste vormen van non-verbale communicatie. Als avatars en robots er ooit misbruik van willen maken, zullen computerwetenschappers dit gedrag beter moeten monitoren, begrijpen en reproduceren.
Maar eye-tracking is makkelijker gezegd dan gedaan. De meest veelbelovende benadering is misschien wel het trainen van een algoritme voor machinaal leren om de blikrichting te herkennen door een grote database met afbeeldingen van ogen te bestuderen waarvan de blikrichting al bekend is.
Het probleem hierbij is dat dergelijke grote databases niet bestaan. En ze zijn moeilijk te maken: stel je voor dat je een persoon fotografeert die in een groot aantal verschillende richtingen kijkt, met allerlei verschillende camerahoeken onder veel verschillende lichtomstandigheden. En dan het opnieuw doen voor een andere persoon met een andere oogvorm en gezicht, enzovoort. Een dergelijk project zou enorm tijdrovend en kostbaar zijn.
Tegenwoordig zeggen Erroll Wood van de Universiteit van Cambridge in het VK en een paar vrienden dat ze dit probleem hebben opgelost door een enorme database te creëren met precies het soort beelden van ogen dat een algoritme voor machinaal leren vereist. Dat heeft hen in staat gesteld een machine te trainen om de blikrichting nauwkeuriger te herkennen dan ooit tevoren.
Dus hoe hebben ze dit gedaan? Hun truc is om de database volledig kunstmatig te maken. Ze beginnen met het bouwen van een zeer gedetailleerd virtueel model van een oog, een ooglid en de regio eromheen. Vervolgens bouwen ze dit model in verschillende gezichten die mensen van verschillende leeftijden, huidskleuren en oogtypes vertegenwoordigen en fotograferen ze - virtueel.
De foto's kunnen worden beschreven door vier verschillende variabelen. Dit zijn: camerapositie, blikrichting, lichtomgeving en oogmodel. Om de database te maken, beginnen Wood en co met een bepaald oogmodel en een bepaalde lichtomgeving en beginnen met de ogen die in een bepaalde richting wijzen. Vervolgens variëren ze de camerapositie en maken ze foto's vanuit een groot aantal hoeken rond het hoofd.
Vervolgens verplaatsen ze de ogen naar een andere positie en herhalen ze de variaties in de camerapositie. Enzovoorts.
Het resultaat is een database van meer dan 11.000 afbeeldingen met variaties van 40 graden in camerahoek en veranderingen in blikvariatie van meer dan 90 graden. Ze kozen willekeurig de oogkleur en omgevingslichtomstandigheden voor elke afbeelding.
Ten slotte gebruikten Wood en co de dataset om een diep convolutioneel neuraal netwerk te trainen om de blikrichting te herkennen. En ze testten het resulterende algoritme op een reeks natuurlijke afbeeldingen uit het wild. We hebben aangetoond dat onze methode in het wild beter presteert dan state-of-the-art methoden voor op uiterlijk gebaseerde blikschattingen tussen verschillende datasets, zeggen ze.
Dat is interessant werk. Deep learning-technieken veroveren momenteel het woord van de informatica stormenderhand dankzij twee ontwikkelingen. De eerste is een beter begrip van neurale netwerken zelf, waardoor computerwetenschappers deze aanzienlijk hebben kunnen verbeteren.
De tweede is het creëren van enorme geannoteerde datasets die kunnen worden gebruikt om deze netwerken te trainen. Veel van deze nieuwe datasets zijn gemaakt met behulp van crowdsourcing-methoden zoals Amazon's Mechanical Turk.
Maar Wood en co hebben het anders aangepakt. Hun dataset is volledig synthetisch, gemaakt in een computer. Het zal dus interessant zijn om te zien waar ze deze synthetische methode nog meer kunnen toepassen om datasets te maken voor andere soorten deep learning.
Referentie: arxiv.org/abs/1505.05916 : Weergave van ogen voor oogvormregistratie en blikschatting