Kaip samanos padėjo mašininei vizijai įveikti Achilo kulną

Pastaraisiais metais gilaus mokymosi algoritmai sukėlė revoliuciją, kaip mašinos atpažįsta objektus. Šiuolaikiniai algoritmai lengvai pranoksta žmones nustatydami įprastus dalykus, tokius kaip stalai, kėdės, automobiliai ir net veidai.

Tačiau šie algoritmai turi Achilo kulną: kai kurių dalykų jie tiesiog nemato. Pavyzdžiui, mašininis regėjimas nėra geras atpažįstant tokius dalykus kaip žolės ir žolelės, nes jie turi amorfines formas, kurias sunku apibrėžti.

Stalas paprastai turi keturias kojeles ir plokščią paviršių – ypatybes, kurias mašininis mokymasis gali atpažinti. Priešingai, tos pačios rūšies žolės ir vaistažolės gali būti skirtingo dydžio ir turėti skirtingą lapų, sėklų ir pan. skaičių, priklausomai nuo augimo sąlygų. Dėl to mašininiam regėjimui sunku juos atpažinti, ypač jei jie nežydi.

Mašinoms taip pat sunku atpažinti medžius iš oro vaizdų arba pasėlius iš palydovinių vaizdų. Reikia naujo požiūrio, kuris gali išmokyti giluminio mokymosi algoritmus, kad jie magiškai veiktų dviprasmiškos formos objektus.

Įstokite į Takeshi Ise su draugais Kioto universitete Japonijoje. Šie vaikinai sukūrė paprastą techniką, kuri padeda giliai besimokančioms mašinoms atpažinti šiuos amorfinius augalus. Jie pritaikė naują techniką, mokydami atpažinti įvairių rūšių samanas – augalą, kurio forma yra sunkiai apibrėžiama.

Atsižvelgiant į garsiai šiltą ir drėgną Kioto klimatą, skatinantį jų augimą, komanda yra gerai pasirengusi tyrinėti samanas. Ise ir ko pradėjo fotografuodami samanas tradiciniame japoniškame sode Kiote, vadinamame Murin-An, kur jos auginamos.

Jie atpažino tris samanų rūšis ir fotografavo kiekvieną atskirai, taip pat tose vietose, kur jos yra kartu su kitais nesamanuotais augalais ir ypatybėmis. Kiekviena nuotrauka buvo padaryta skaitmeniniu fotoaparatu, pvz., Olympus OM-D E-M5 Mark II, su 50 mm objektyvu (arba lygiaverčiu) iš 60 centimetrų atstumo tiesiai virš samanų kilimėlių. Šios nuotraukos yra 4608 x 3456 pikselių.

Jų gilaus mokymosi algoritmo tikslas – viename paveikslėlyje nustatyti skirtingus samanų tipus ir atskirti samanas nuo kitų objektų ir augalų.

Jų metodas yra paprastas. Siekdama išmokyti algoritmą, komanda padalija kiekvieną konkrečios samanos vaizdą į daug mažesnius 56 x 56 pikselių regionus su 50 procentų persidengimu. Tokiu būdu originalus vaizdas sukuria apie 90 000 vaizdų, iš kurių 80 procentų jie naudoja algoritmui lavinti, o likusią dalį – testavimui.

Nors mokomieji vaizdai buvo padaryti ant vienodo tam tikros rūšies samanų kilimėlio, šiuose kilimėliuose gali būti nedidelių kitų samanų regionų. Taigi komanda ištyrė visus mokomuosius vaizdus ir pašalino svetimų samanų vaizdus ranka. Liko trijų rūšių samanų vaizdai – Polytrichum , Trachicistas , ir Ažiotažas -taip pat ir ne samanų savybes. Tada visi mokymo vaizdai gali būti pažymėti kaip vienas iš šių tipų ir įtraukti į giluminio mokymosi mašiną.

Rezultatai įspūdingi. Naudojant šį metodą, algoritmas greitai išmoko gerai tiksliai atpažinti kiekvieną samanų rūšį. Kai tyrėjai išlaisvino algoritmą viename vaizde, kuriame vaizduojamos įvairių tipų samanos, jis galėjo tiksliai identifikuoti samanas skirtingose ​​vaizdo srityse. Jie teigia, kad modelis teisingai klasifikavo bandomuosius vaizdus daugiau nei 90% tikslumu.

Kai kurių rūšių samanų algoritmas veikia geriau nei kiti. Numatomas našumas Polytrichum yra 99 % [atpažinimo tikslumas], Trachicistas yra 95% ir Ažiotažas yra 74%, sako Ise ir kt.

Mažesnis tikslumas Ažiotažas Taip yra todėl, kad šis augalas yra amorfiškesnis nei kiti, jo augimo formos yra ne tokios aiškiai apibrėžtos. Priešingai, Polytrichum turi savitą, aiškiai apibrėžtą formą.

Komanda teigia, kad yra įvairių būdų, kaip pagerinti tikslumą, pavyzdžiui, sukurti mokomąjį nuotraukų rinkinį, darytų skirtingu metų laiku, kai Ažiotažas ypač samanos gali atrodyti išskirtinesnės. Arba skaitmeninio fotoaparato baltos spalvos balansas gali būti standartizuotas, kad būtų galima tiksliau perteikti kiekvienos samanos spalvas.

Bet kokiu atveju rezultatai rodo didelį pažadą ateičiai. Metodas galėtų būti taikomas fotografuojant iš oro, kad būtų galima geriau atpažinti medžius ir augalus vaizduose, darytuose iš viršaus. Tai būtų labai naudinga atliekant inventorių laukinėje gamtoje arba didelėse valdomose teritorijose, pavyzdžiui, ūkiuose ir miškuose.

Tuo tarpu Ise ir bendradarbiai teigia planuojantys sukurti programėlę, kuri leistų žmonėms atpažinti samanas naudojant išmanųjį telefoną. Tai gali pasirodyti populiarus sodininkams.

Nuoroda: arxiv.org/abs/1708.01986 : 3 samanų rūšių nustatymas giliai mokantis, naudojant kapotų paveikslėlių metodą

paslėpti