Hur Machine Vision återuppfinner studiet av galaxer

Galaxy Zoo är ett av de mer anmärkningsvärda publikbaserade vetenskapsprojekten på webben. Sedan 2007 har den tagit hjälp av mer än en halv miljon medborgarforskare runt om i världen för att klassificera bilder av nästan en miljon galaxer.

Denna ansträngning håller på att revolutionera vår förståelse av galaxbildning. Galaxernas former, storlekar och färger är resultatet av deras ålder, de förhållanden under vilka de bildades och de interaktioner de har haft med andra galaxer under många miljarder år.

Så en detaljerad klassificering av galaxtyper är avgörande för att reta upp ursprunget till dessa kroppar. Galaxy Zoo var faktiskt tänkt som en lösning på problemet med att klassificera de 900 000 galaxerna som har fotograferats av ett projekt känt som Sloan Digital Sky Survey.

Det låter idealiskt för maskinintelligens. Men även om uppgiften att klassificera galaxer är relativt enkel för människor, har den alltid varit utom räckhåll för maskinseendeteknologi. Tills nu.

Under de senaste åren har stora framsteg inom en teknik som kallas djupa konvolutionella neurala nätverk gjort maskinseende lika med mänsklig syn i många uppgifter. Till exempel, under det senaste året eller så djupa konvolutionella neurala nätverk har blivit lika bra som människor på ansiktsigenkänning , ett problem som har stört datavetare i årtionden.

Jämfört med ansiktsigenkänning borde klassificering av galaxer vara en barnlek. Och så visar det sig vara. Idag säger Sander Dieleman vid Ghent University i Belgien och ett par kompisar att de har fulländat ett konvolutionellt neuralt nätverk som exakt kan klassificera ett brett spektrum av galaxer, en prestation som lovar att automatisera mycket av det arbete som Galaxy Zoo nu gör.

Dessutom skalas tillvägagångssättet för maskinseende mer effektivt än crowdsourcing, vilket innebär att datorer borde kunna analysera de många hundratals miljoner bilder av galaxer som observatorier runt om i världen och i rymden kommer att producera under de kommande åren.

Maskinseendet har förbättrats avsevärt de senaste åren på grund av två separata faktorer. Den första inkluderar förbättringar av tekniken, såsom effektivare konvolutionella neurala nätverk och snabbare datorer.

Det andra är det faktum att stora träningsdatauppsättningar plötsligt har blivit tillgängliga tack vare det nya fenomenet crowdpower. För galaxklassificering kommer denna träningsdatauppsättning från själva Galaxy Zoo-processen där hundratusentals människor har kommenterat bilder av galaxer.

Denna enorma datauppsättning är avgörande. Datavetare använder den här typen av kommenterade datamängder för att träna neurala nätverk att känna igen specifika egenskaper – i det här fallet om en galax är slät och rundad, om den har en stång genom mitten, om centrum har en utbuktning eller om det finns några tecken på spiralarmsmönster och så vidare.

Det är exakt de frågor som publiken redan har besvarat i Galaxy Zoo-dataset. Så det är relativt enkelt att ta ett urval av data för att träna ett konvolutionellt neuralt nätverk. Dieleman och co plockar ut cirka 60 000 kommenterade bilder för denna uppgift.

Det är en relativt liten utbildningsdatauppsättning med moderna standarder. Så för att öka dess storlek ändrade de var och en av bilderna genom att ändra dess centrering, vända den för att skapa en spegelbild och framför allt genom att rotera den så att det neurala nätverket skulle lära sig att utnyttja galaxernas rotationssymmetri.

Det är oerhört viktigt eftersom en galaxs klassificering inte bör bero på orienteringen i vilken den ses. Att fånga den invariansegenskapen är avgörande.

Dieleman och co använder sedan denna datauppsättning för att träna ett konvolutionellt neuralt nät att känna igen formen och strukturen hos galaxer, svara på frågor som hur många spiralarmar det finns, hur hårt lindade de är, är något konstigt med galaxen, och så vidare ( samma frågor som människor redan har svarat på). Deras nätverk består av sju lager som var och en effektivt filtrerar data för funktioner på högre nivå.

Teamet använder sedan det utbildade nätverket för att utvärdera ytterligare 80 000 bilder som inte är kommenterade och sedan jämföra resultaten med noggrannheten i mänsklig klassificering.

Resultaten är imponerande. Dieleman och co säger att för de flesta klassificeringar är noggrannheterna som uppnås av människor och maskiner jämförbara. Vårt nya tillvägagångssätt för att utnyttja rotationssymmetri var avgörande för att uppnå toppmodern prestanda, påpekar de.

De är dock noga med att inte säga direkt att deras klassificering av maskinseende är bättre än klassificering av människor. Den uppmaningen kommer oundvikligen att lämnas till andra observatörer. Vad de säger är att maskinseende kommer att göra experternas uppgift enklare. Detta tillvägagångssätt minskar experternas arbetsbelastning avsevärt utan att det påverkar noggrannheten, avslutar de.

Det viktigaste framsteg är att denna teknik kan skalas mycket mer effektivt än publikkraft. Konvolutionella neurala nätverk kan trots allt fungera 24/7 och blir aldrig trötta. Tillämpningen av dessa algoritmer på större uppsättningar träningsdata kommer att vara avgörande för att analysera resultat från framtida undersökningar, säger Dieleman och co.

Faktum är att bara en inbiten skeptiker skulle säga att denna teknik inte kommer att förändra hur galaxer klassificeras inom en snar framtid.

Det betyder inte att människor kommer att uteslutas från processen för galaxklassificering. Långt ifrån. Denna typ av automatiserat arbete beror mycket på kvaliteten på utbildningsdatauppsättningen. Så om astronomer vill ställa olika frågor om galaxer och använda maskinseende för att svara på dem, måste de först skapa en stor träningsdatauppsättning som har annoterats korrekt av människor.

Så rollen som crowdpower kommer att förändras och på sätt och vis bli ännu viktigare. I framtiden kommer medborgarforskare att producera utbildningsdataset av guldstandard som maskinseendealgoritmer kommer att använda för att lära sig sina uppgifter.

Det kommer att bli ett viktigt arbete och det ser ut att fortsätta ett tag till. Åtminstone tills en ny generation av intelligenta maskiner kommer att göra sig av även med det steget.

Ref: arxiv.org/abs/1503.07077 : Rotationsinvariant konvolutionella neurala nätverk för galaxmorfologiprediktion

Dölj