211service.com
Varför maskinseendet är felaktigt på samma sätt som mänskligt syn
Djupa konvolutionella neurala nätverk har tagit världen av artificiell intelligens med storm. Dessa maskiner överträffar nu rutinmässigt människor i uppgifter som sträcker sig från ansikts- och objektigenkänning till att spela det uråldriga spelet Go.
Det ironiska är förstås att neurala nätverk inspirerades av hjärnans struktur. Det visar sig att det finns anmärkningsvärda likheter mellan den bredare strukturen av de djupa konvolutionella neurala nätverken bakom maskinseende och strukturen i hjärnan som ansvarar för synen. En av dessa utvecklades under miljontals år, den andra kom till under loppet av bara några decennier. Men båda verkar fungera på samma sätt.
Och det väcker en intressant fråga - om maskinseende och mänsklig syn fungerar på liknande sätt, är de då också begränsade av samma begränsningar? Kämpar människor och maskiner med samma synrelaterade utmaningar?
Idag får vi ett svar tack vare Saeed Reza Kheradpishehs arbete vid University of Teheran i Iran och några kompisar från hela världen. Dessa killar har testat människor och maskiner med samma synutmaningar och upptäckt att de verkligen kämpar med samma typ av problem.
Först lite bakgrund. Den väg i hjärnan som ansvarar för synen fungerar i flera lager, som vart och ett tros extrahera gradvis mer information från en bild, såsom rörelse, form, färg och så vidare. Varje lager består av ett stort antal neuroner kopplade till ett stort nätverk.
Deep convolution neurala nätverk har en liknande struktur. De är också uppbyggda av lager, och var och en av dessa är ett nätverk av kretsar utformade för att efterlikna neuronernas beteende, därav termen neurala nätverk.
Genom många försök och misstag har datavetare funnit att dessa lager fungerar bäst när var och en extraherar gradvis mer information om en bild. Och när de tittar på skiktens beteende individuellt, finner de anmärkningsvärda likheter med funktionen hos specifika skikt i hjärnan.
Men medan den mänskliga hjärnan är bra på objektigenkänning, är den inte perfekt. Ändra bilden på något sätt och det är inte alltid lätt att känna igen objektet den innehåller.
Föreställ dig en bild på en bil tagen från sidan till exempel. Den här bilden kan ändras på olika sätt. En är att översätta objektet, att flytta det från en del av bilden till en annan. En annan är att förstora eller förminska den.
Sedan finns det två typer av rotation. Den ena är en i planet rotation som visar bilen från sidan men upp och ner till exempel.
Det finns också rotationer på djupet. I det här fallet måste du föreställa dig bilen som ett 3D-objekt sett från sidan. Roterande på djupet visar sedan bilen framifrån, bakifrån eller en trekvartsvy och så vidare.
Men med tanke på två bilder av samma bil från olika synvinklar, hur svårt är det att vara säker på att båda visar samma fordon? Uppenbarligen är vissa typer av distorsion mer utmanande än andra – men vilken? Och har maskiner samma problem?
För att ta reda på det producerade Kheradpisheh och co bildvariationer av fyra olika typer av objekt och testade sedan hur väl människor och djupa konvolutionella neurala nätverk klarar uppgiften att känna igen dem.
Testet för människor innebär att man väljer en bild slumpmässigt och visar den på en skärm i 12,5 millisekunder. Försökspersonen måste sedan trycka på en av fyra knappar för att indikera om bilden är av en bil, ett skepp, en motorcykel eller ett djur.
Teamet testade totalt 89 olika människor som var och en tittade på 960 bilder. Forskarna använde hastigheten och noggrannheten i varje individs svar som ett mått på hur väl de kände igen varje objekt.
Teamet genomförde också ett likvärdigt test på två av de mest kraftfulla djupa faltningsnätverken som används för objektigenkänning, ett utvecklat vid University of Toronto i Kanada och det andra vid University of Oxford i Storbritannien.
Resultaten ger intressant läsning. Vi fann att människor och DCNN i stort sett var överens om de relativa svårigheterna för varje sorts variation, säger Kheradpisheh och co. Rotation på djupet är den absolut svåraste transformationen att hantera, följt av skala, sedan rotation i plan och slutligen position (mycket lättare).
Det är ett intressant arbete med några omedelbara konsekvenser. Till att börja med kommer datavetare att behöva vara mycket mer försiktiga i hur de skapar databaser för att testa maskinseende. I framtiden kommer de att behöva kontrollera de faktorer som maskiner har svårare.
Men det visar också potentialen för djupa konvolutionella neurala nätverk för att hjälpa till att undersöka hur mänsklig kognition fungerar. Utformningen av vissa bilder är en kritisk uppgift i applikationer som flygledning, nödutgångar, instruktioner för användning av livräddningsutrustning och så vidare.
Att använda människor för att utvärdera dessa bilder är en tidskrävande och dyr verksamhet. Men kanske skulle den här typen av neurala nätverk kunna göra jobbet istället eller åtminstone sålla bort de värsta exemplen och lämna människor med en mycket bättre definierad och mindre betungande uppgift.
Utöver det kan det vara möjligt att designa system för maskinseende som inte luras på samma sätt som människor och så kan förstärka mänskligt beslutsfattande i kritiska situationer som bilkörning.
Och det är bara början. Neurala nätverk revolutionerar redan alla typer av uppgifter som brukade vara människors förbehåll - den förändringen kommer bara att accelerera.
Ref: arxiv.org/abs/1604.06486 : Människor och djupa nätverk är till stor del överens om vilka typer av variationer som gör objektigenkänning svårare