Neribotas kompiuterinis fraktalas gali padėti išmokyti AI matyti

fraktalas

Ponia Tech | Atskleiskite purslą





Dauguma vaizdo atpažinimo sistemų yra apmokytos naudojant dideles duomenų bazes, kuriose yra milijonai kasdienių objektų nuotraukų – nuo ​​gyvačių iki drebėjimų ir batų. Pakartotinai veikiant AI išmoksta atskirti vieno tipo objektus nuo kito. Dabar Japonijos mokslininkai įrodė, kad dirbtinis intelektas gali pradėti mokytis atpažinti kasdienius objektus išmokęs ant kompiuterinių fraktalų vietoj to.

Tai keista idėja, bet tai gali būti didelė problema. Treniruočių duomenys generuojami automatiškai yra įdomi mašininio mokymosi tendencija. O naudojant begalinį sintetinių vaizdų kiekį, o ne iš interneto išgrynintas nuotraukas, išvengiama problemų, susijusių su esamais rankų darbo duomenų rinkiniais.

Treniruotės problemos: Išankstinis mokymas yra etapas, kurio metu AI išmoksta kai kurių pagrindinių įgūdžių, prieš mokydamasis naudotis labiau specializuotais duomenimis. Iš anksto parengti modeliai leidžia daugiau žmonių naudoti galingą AI. Užuot mokę modelį nuo nulio, jie gali pritaikyti esamą modelį savo poreikiams. Pavyzdžiui, medicininių nuskaitymų diagnozavimo sistema gali pirmiausia išmokti atpažinti pagrindines vizualines ypatybes, tokias kaip forma ir kontūras, iš anksto išmokusi naudotis kasdienių objektų duomenų baze, pvz. ImageNet , kuriame yra daugiau nei 14 milijonų nuotraukų. Tada jis bus tiksliai sureguliuotas mažesnėje medicininių vaizdų duomenų bazėje, kol atpažins subtilius ligos požymius.



Susijusi istorija

AI turi susidoroti su savo nematomo darbuotojo problema Mašininio mokymosi modelius apmoko mažai apmokami internetiniai koncertų darbuotojai. Jie neišnyks, bet mes galime pakeisti jų darbo būdą, sako Saiph Savage.

Bėda ta, kad duomenų rinkinio, pvz., „ImageNet“, surinkimas rankomis užima daug laiko ir pastangų. Vaizdai paprastai pažymėti mažai apmokami minios darbuotojai . Duomenų rinkiniuose taip pat gali būti seksistinis arba rasistines etiketes, kurios gali paslėpti šališkumą modeliui, taip pat žmonių, kurie buvo įtraukti be jų sutikimo, atvaizdai. Yra įrodymų, kad šis šališkumas gali įsiskverbti net ir parengiamuosiuose mokymuose .

Natūralios formos : Fraktalų galima rasti visame kame – nuo ​​medžių ir gėlių iki debesų ir bangų. Tai privertė Japonijos nacionalinio pažangiųjų pramonės mokslų ir technologijų instituto (AIST), Tokijo technologijos instituto ir Tokijo Denki universiteto komandą susimąstyti, ar šie modeliai galėtų būti naudojami automatizuotai sistemai išmokyti vaizdų atpažinimo pagrindų, o ne naudoti nuotraukas. realių objektų.

Tyrėjai sukūrė FractalDB – begalinį kompiuterinių fraktalų skaičių. Kai kurie atrodo kaip lapai; kiti atrodo kaip snaigės ar sraigių kiautai. Kiekviena panašių modelių grupė buvo automatiškai pažymėta etikete. Tada jie panaudojo FractalDB, kad iš anksto apmokytų konvoliucinį neuroninį tinklą – gilaus mokymosi modelį, dažniausiai naudojamą vaizdų atpažinimo sistemose, prieš baigdami mokymą realių vaizdų rinkiniu. Jie nustatė, kad jis veikia beveik taip pat gerai, kaip modeliai, parengti naudojant naujausius duomenų rinkinius, įskaitant „ImageNet“ ir Vietos , kuriame yra 2,5 milijono lauko scenų vaizdų.



Ar tai veikia? Anh Nguyen iš Auburno universiteto Alabamos valstijoje, kuris nedalyvavo tyrime, nėra įsitikinęs, kad FractalDB vis dar atitinka tokius, kaip ImageNet. Jis ištyrė, kaip gali būti abstraktūs modeliai supainioti vaizdo atpažinimo sistemas . Jis sako, kad tarp šio darbo ir mašinas apgaudančių pavyzdžių yra ryšys. Jis norėtų išsamiau ištirti, kaip šis naujas požiūris veikia. Tačiau japonų mokslininkai mano, kad pakeitus jų požiūrį, kompiuteriu sukurti duomenų rinkiniai, tokie kaip FractalDB, galėtų pakeisti esamus.

Kodėl fraktalai: Tyrėjai taip pat bandė mokyti dirbtinį intelektą naudodami kitus abstrakčius vaizdus, ​​​​įskaitant tuos, kurie buvo sukurti naudojant Perlino triukšmas , kuri sukuria dėmėtus raštus ir Bezier kreivės , kreivės tipas, naudojamas kompiuterinėje grafikoje. Tačiau geriausius rezultatus davė fraktalai. Fraktalų geometrija egzistuoja kaip pagrindinės žinios apie pasaulį, sako pagrindinis autorius Hirokatsu Kataoka iš AIST.

paslėpti