Jei atlikote „Manekeno iššūkį“, dabar skatinate robotikos tyrimus

Kategorija: Dirbtinis intelektas Paskelbta birželio 26 d

Grįžkite į internetą 2016 m. Ar turite miglotų prisiminimų apie Manekenų iššūkį? Na, o virusinė „YouTube“ tendencija dabar buvo naudojama norint išmokyti neuroninį tinklą suprasti 3D scenas.

Kontekstas: Mes iš prigimties gerai suprantame 2D vaizdo įrašus kaip 3D scenas, tačiau mašinas reikia išmokyti tai daryti. Tai naudingas įgūdis: gebėjimas atkurti laisvai judančių objektų gylį ir išdėstymą gali padėti robotams manevruoti nepažįstamoje aplinkoje. Štai kodėl iššūkis jau seniai žavėjo kompiuterinės regos tyrinėtojus, ypač kalbant apie savarankiškai važiuojančius automobilius.

Duomenys: Norėdami išspręsti šią problemą, „Google AI“ komanda kreipėsi į netikėtas duomenų rinkinys : tūkstančiai „YouTube“ vaizdo įrašų, kuriuose žmonės atlieka „Mannequin Challenge“. (Jei tai nutiko tuo metu pro jus, tai reiškia, kad stovėjote kuo ramiau, kol kas nors judėjo aplink jus ir filmavote pozą iš visų pusių.) Šie vaizdo įrašai taip pat yra naujas duomenų šaltinis, padedantis suprasti 2D vaizdas.

Metodas: Tyrėjai konvertavo 2000 vaizdo įrašų į 2D vaizdus su didelės raiškos gylio duomenimis ir panaudojo juos neuroniniam tinklui treniruoti. Tada jis galėjo daug tiksliau nuspėti judančių objektų gylį vaizdo įraše, nei buvo įmanoma naudojant ankstesnius naujausius metodus. Praėjusią savaitę mokslininkai buvo apdovanoti geriausio popieriaus garbės apdovanojimas didelėje kompiuterinės vizijos konferencijoje.

Nežinomi dalyviai: Tyrėjai taip pat paskelbė savo duomenų rinkinį, skirtą būsimiems tyrimams paremti, o tai reiškia, kad tūkstančiai žmonių, dalyvavusių „Mannequin Challenge“, nesąmoningai ir toliau prisidės prie kompiuterinės vizijos ir robotikos tyrimų tobulinimo. Nors kai kuriems tai gali būti nemaloni staigmena, tai AI tyrimų taisyklė, o ne išimtis.

Daugelis svarbiausių šios srities duomenų rinkinių, įskaitant Fei-Fei Li ImageNet , kurie pradėjo gilaus mokymosi revoliuciją, buvo sudaryti iš viešai prieinamų duomenų, išskobtų iš Twitter, Wikipedia, Flickr ir kitų šaltinių. Šią praktiką motyvuoja didžiulis duomenų kiekis, reikalingas gilaus mokymosi algoritmams išmokyti, ir pastaraisiais metais ji tik pablogėjo, nes mokslininkai gamina. vis didesni modeliai pasiekti proveržio rezultatų.

Duomenų privatumas: Kaip jau rašėme anksčiau, ši duomenų rinkimo praktika nėra nei akivaizdžiai gera, nei bloga, tačiau verčia suabejoti su sutikimu susijusiomis normomis pramonėje. Duomenims vis labiau prekiaujant ir gaunant pinigus, technologai turėtų pagalvoti, ar būdas, kuriuo jie naudoja kažkieno duomenis, atitinka dvasią, kodėl jie iš pradžių buvo sukurti ir jais dalijamasi.