Neurala nätverk förstår inte vad optiska illusioner är

Bild av svartvit optisk illusion Pixabay

Människosyn är en extraordinär anläggning. Även om det har utvecklats i specifika miljöer under många miljoner år, är det kapabelt att utföra uppgifter som tidiga visuella system aldrig upplevde. Läsning är ett bra exempel, liksom att identifiera konstgjorda föremål som bilar, flygplan, vägskyltar och så vidare.

Men det visuella systemet har också en välkänd uppsättning brister som vi upplever som optiska illusioner. Faktum är att forskare har identifierat många sätt på vilka dessa illusioner får människor att felbedöma färg, storlek, inriktning och rörelse.

Illusionerna i sig är intressanta eftersom de ger insikt i det visuella systemets och perceptionens natur. Så sätt att hitta nya illusioner som utforskar dessa gränser skulle vara oerhört användbara.

Koncentriska cirklar?

Det är där djupinlärning kommer in. De senaste åren har maskiner lärt sig att känna igen föremål och ansikten i bilder och sedan själva skapa liknande bilder. Så det är lätt att föreställa sig att ett maskinseendesystem borde kunna lära sig känna igen illusioner och sedan skapa sina egna.

Ange Robert Williams och Roman Yampolskiy vid University of Louisville i Kentucky. De här killarna har försökt den här bedriften men upptäckt att saker och ting inte är så enkelt. Nuvarande maskininlärningssystem kan inte generera sina egna optiska illusioner - åtminstone inte ännu. Varför inte?

Först lite bakgrund. De senaste framstegen inom djupinlärning bygger på två framsteg. Den första är tillgången till kraftfulla neurala nätverk och ett eller två programmeringsknep som gör dem bra på att lära sig.

Den andra är skapandet av enorma kommenterade databaser som maskiner kan lära sig av. Att lära en maskin att känna igen ansikten kräver till exempel många tiotusentals bilder som innehåller ansikten som är tydligt märkta. Med den informationen kan ett neuralt nät lära sig att upptäcka karakteristiska ansiktsmönster – till exempel två ögon, en näsa och en mun. Och ännu mer imponerande, ett par av dem – kallat ett generativt motståndsnätverk – kan lära varandra att skapa realistiska, men helt syntetiska, bilder av ansikten.

Williams och Yampolskiy satte sig för att lära ett neuralt nätverk att identifiera optiska illusioner på samma sätt. Beräkningshästkrafterna är lättillgängliga, men de nödvändiga databaserna är det inte. Så forskarnas första uppgift var att skapa en databas med optiska illusioner för träning.

Det visar sig vara svårt. Antalet statiska optiska illusionsbilder är i låga tusental, och antalet unika typer av illusioner är förvisso mycket lågt, kanske bara några dussin, säger de.

Det är en utmaning för nuvarande maskininlärningssystem. Att skapa en modell som kan lära sig från en så liten och begränsad datauppsättning skulle representera ett stort steg i generativa modeller och förståelse för mänsklig vision, säger de.

Så Williams och Yampolskiy sammanställde en databas med över 6 000 bilder av optiska illusioner och tränade sedan ett neuralt nätverk för att känna igen dem. Sedan byggde de ett generativt motståndsnätverk för att skapa optiska illusioner för sig själv.

Resultaten var en besvikelse. Inget av värde skapades efter 7 timmars träning på en Nvidia Tesla K80, säger forskarna, som har gjort sin databas tillgänglig för andra att använda.

Ändå är detta ett intressant resultat. De enda optiska illusioner som är kända för människor har skapats av evolutionen (till exempel ögonmönster i fjärilsvingar) eller av mänskliga konstnärer, påpekar de.

I båda fallen spelar människor en avgörande roll genom att ge värdefull feedback – det kan människor ser illusionen.

Men maskinseende system kan inte. Det verkar osannolikt att [ett generativt motståndsnätverk] skulle kunna lära sig att lura mänsklig vision utan att kunna förstå principerna bakom dessa illusioner, säger Williams och Yampolskiy.

De kanske inte är lätta, eftersom det finns avgörande skillnader mellan system för maskinseende och det mänskliga visuella systemet. Olika forskare utvecklar neurala nätverk som liknar det mänskliga visuella systemet allt mer. Ett intressant test kanske blir om de kan se illusioner eller inte.

Under tiden är Williams och Yampolskiy inte optimistiska. Det verkar som om ett dataset med illusionsbilder kanske inte räcker för att skapa nya illusioner, säger de. Så för tillfället är optiska illusioner en bastion av mänsklig erfarenhet som maskiner inte kan erövra.

Ref: arxiv.org/abs/1810.00415 : Datauppsättning för Optical Illusions Images

Dölj