211service.com
Obegränsade datorfraktaler kan hjälpa till att träna AI för att se
Ms Tech | Unsplash
De flesta bildigenkänningssystem tränas med hjälp av stora databaser som innehåller miljontals foton av vardagliga föremål, från ormar till skakningar till skor. Med upprepad exponering lär sig AI att skilja en typ av objekt från en annan. Nu har forskare i Japan visat att AI:er kan börja lära sig att känna igen vardagliga föremål genom att tränas på datorgenererade fraktaler istället.
Det är en konstig idé men det kan vara en stor sak. Genererar träningsdata automatiskt är en spännande trend inom maskininlärning. Och genom att använda ett oändligt utbud av syntetiska bilder istället för foton skrapade från internet undviker man problem med befintliga handgjorda datamängder.
Träningsproblem: Förträning är en fas där en AI lär sig några grundläggande färdigheter innan han tränas på mer specialiserad data. Förutbildade modeller tillåter fler människor att använda kraftfull AI. Istället för att behöva träna en modell från grunden kan de anpassa en befintlig efter deras behov. Till exempel kan ett system för att diagnostisera medicinska skanningar först lära sig att identifiera grundläggande visuella egenskaper, såsom form och kontur, genom att förtränas i en databas med vardagliga föremål – som t.ex. ImageNet , som innehåller mer än 14 miljoner foton. Sedan kommer den att finjusteras på en mindre databas med medicinska bilder tills den känner igen subtila tecken på sjukdom.
Relaterad berättelse
AI måste möta sitt problem med osynliga arbetare Maskininlärningsmodeller utbildas av lågavlönade onlinespelningsarbetare. De försvinner inte – men vi kan ändra hur de fungerar, säger Saiph Savage.Problemet är att det tar mycket tid och ansträngning att sätta ihop en datamängd som ImageNet för hand. Bilderna är vanligtvis märkta med lågavlönade crowdworkers . Datauppsättningar kan också innehålla sexistiskt eller rasistiska etiketter som kan partiska en modell på dolda sätt, samt bilder på personer som har tagits med utan deras samtycke. Det finns bevis för att dessa fördomar kan smyga sig in även vid förträning .
Naturliga former : Fraktaler finns i allt från träd och blommor till moln och vågor. Detta fick teamet vid Japans National Institute of Advanced Industrial Science and Technology (AIST), Tokyo Institute of Technology och Tokyo Denki University att undra om dessa mönster kunde användas för att lära ett automatiserat system grunderna för bildigenkänning, istället för att använda foton av verkliga föremål.
Forskarna skapade FractalDB, ett oändligt antal datorgenererade fraktaler. Vissa ser ut som löv; andra ser ut som snöflingor eller snigelskal. Varje grupp av liknande mönster fick automatiskt en etikett. De använde sedan FractalDB för att förträna ett konvolutionellt neuralt nätverk, en typ av djupinlärningsmodell som vanligtvis används i bildigenkänningssystem, innan de avslutade sin träning med en uppsättning faktiska bilder. De fann att den presterade nästan lika bra som modeller som tränats på toppmoderna datamängder, inklusive ImageNet och Platser , som innehåller 2,5 miljoner bilder av utomhusscener.
Fungerar det? Anh Nguyen vid Auburn University i Alabama, som inte var involverad i studien, är inte övertygad om att FractalDB ännu är en match för sådana som ImageNet. Han har studerat hur abstrakta mönster kan förvirra bildigenkänningssystem . Det finns ett samband mellan det här arbetet och exempel som lurar maskiner, säger han. Han skulle vilja undersöka hur detta nya tillvägagångssätt fungerar mer i detalj. Men de japanska forskarna tror att med justeringar av deras tillvägagångssätt kan datorgenererade datamängder som FractalDB ersätta befintliga.
Varför fraktaler: Forskarna försökte också träna sin AI med andra abstrakta bilder, inklusive de som producerades med hjälp av Perlin-ljud , som skapar spräckliga mönster, och Bezier kurvor , en typ av kurva som används i datorgrafik. Men fraktaler gav bäst resultat. Fraktal geometri finns i bakgrundskunskapen om världen, säger huvudförfattaren Hirokatsu Kataoka vid AIST.