Jak widzenie maszynowe na nowo odkrywa badanie galaktyk

Galaktyczne Zoo to jeden z najbardziej niezwykłych projektów naukowych w Internecie, których źródłem jest crowdsourcing. Od 2007 roku korzysta z pomocy ponad pół miliona naukowców obywatelskich na całym świecie, aby sklasyfikować obrazy prawie miliona galaktyk.

Wysiłek ten jest w trakcie rewolucjonizowania naszego rozumienia powstawania galaktyk. Kształty, rozmiary i kolory galaktyk są wynikiem ich wieku, warunków, w jakich powstały oraz interakcji, jakie miały z innymi galaktykami na przestrzeni wielu miliardów lat.

Tak więc szczegółowa klasyfikacja typów galaktyk jest kluczowa dla odróżnienia pochodzenia tych ciał. Rzeczywiście, Galaktyczne Zoo zostało pomyślane jako rozwiązanie problemu klasyfikacji 900 000 galaktyk, które zostały sfotografowane w ramach projektu znanego jako Sloan Digital Sky Survey.

Brzmi to idealnie dopasowane do inteligencji maszyn. Ale chociaż zadanie klasyfikacji galaktyk jest dla ludzi stosunkowo proste, zawsze było poza zasięgiem technologii widzenia maszynowego. Do teraz.

W ciągu ostatnich kilku lat znaczne postępy w technice zwanej głębokimi konwolucyjnymi sieciami neuronowymi sprawiły, że w wielu zadaniach widzenie maszynowe dorównuje ludzkiemu wzrokowi. Na przykład w ciągu ostatniego mniej więcej roku głębokie konwolucyjne sieci neuronowe stały się tak dobre jak ludzie w rozpoznawaniu twarzy , problem, który od dziesięcioleci przeszkadza informatykom.

W porównaniu z rozpoznawaniem twarzy klasyfikacja galaktyk powinna być dziecinnie prosta. I tak się okazuje. Dzisiaj Sander Dieleman z Ghent University w Belgii i kilku kumpli twierdzą, że udoskonalili splotową sieć neuronową, która może dokładnie klasyfikować szeroki zakres galaktyk, co obiecuje zautomatyzować większość prac, które obecnie wykonuje Galaktyczne Zoo.

Co więcej, podejście do widzenia maszynowego skaluje się skuteczniej niż crowdsourcing, co oznacza, że ​​komputery powinny być w stanie analizować setki milionów obrazów galaktyk, które obserwatoria na całym świecie i w kosmosie mają wytworzyć w nadchodzących latach.

Widzenie maszynowe znacznie się poprawiło w ostatnich latach z powodu dwóch oddzielnych czynników. Pierwsza obejmuje ulepszenia technologiczne, takie jak wydajniejsze splotowe sieci neuronowe i szybsze komputery.

Drugi to fakt, że dzięki nowemu zjawisku crowdpower nagle stały się dostępne duże zbiory danych treningowych. W przypadku klasyfikacji galaktyk ten zestaw danych treningowych pochodzi z samego procesu Galaktycznego Zoo, w którym setki tysięcy ludzi opatrzyło zdjęcia galaktyk.

Ten ogromny zbiór danych ma kluczowe znaczenie. Informatycy używają tego rodzaju zestawów danych z adnotacjami do trenowania sieci neuronowych w celu rozpoznawania określonych cech — w tym przypadku, czy galaktyka jest gładka i zaokrąglona, ​​czy ma poprzeczkę przez środek, czy środek ma wybrzuszenie lub czy są jakieś oznaki spiralne wzory ramion i tak dalej.

To są dokładnie te pytania, na które tłum już odpowiedział w zestawie danych Galaktycznego Zoo. Zatem stosunkowo łatwo jest pobrać próbkę danych, aby wytrenować splotową sieć neuronową. Dieleman i spółka wybierają do tego zadania około 60 000 obrazów z adnotacjami.

Jest to stosunkowo mały zestaw danych szkoleniowych według nowoczesnych standardów. Aby zwiększyć jego rozmiar, zmienili każdy z obrazów, zmieniając jego wyśrodkowanie, obracając go, aby stworzyć lustrzane odbicie, a przede wszystkim obracając go, aby sieć neuronowa nauczyła się wykorzystywać symetrię obrotową galaktyk.

To niezwykle ważne, ponieważ klasyfikacja galaktyki nie powinna zależeć od orientacji, z której jest oglądana. Uchwycenie tej własności niezmienności jest kluczowe.

Dieleman i spółka wykorzystują następnie ten zbiór danych do wytrenowania splotowej sieci neuronowej w celu rozpoznawania kształtu i struktury galaktyk, odpowiadając na pytania, takie jak liczba ramion spiralnych, jak mocno są nawinięte, czy jest coś dziwnego w galaktyce i tak dalej ( te same pytania, na które ludzie już odpowiedzieli). Ich sieć składa się z siedmiu warstw, z których każda skutecznie filtruje dane pod kątem funkcji wyższego poziomu.

Następnie zespół wykorzystuje przeszkoloną sieć do oceny kolejnych 80 000 obrazów, które nie są opatrzone adnotacjami, a następnie porównuje wyniki z dokładnością klasyfikacji ludzkiej.

Wyniki są imponujące. Dieleman i wsp. twierdzą, że w przypadku większości klasyfikacji dokładności osiągane przez ludzi i maszyny są porównywalne. Podkreślają, że nasze nowatorskie podejście do wykorzystania symetrii obrotowej było niezbędne do osiągnięcia najnowocześniejszych osiągów.

Uważają jednak, aby nie powiedzieć wprost, że ich klasyfikacja widzenia maszynowego jest lepsza niż klasyfikacja ludzi. To wezwanie nieuchronnie zostanie pozostawione innym obserwatorom. Mówią, że wizja maszynowa ułatwi ekspertom zadanie. Takie podejście znacznie zmniejsza obciążenie ekspertów bez wpływu na dokładność, podsumowują.

Najważniejszym postępem jest to, że tę technikę można skalować znacznie skuteczniej niż siłę tłumu. W końcu splotowe sieci neuronowe mogą działać 24/7 i nigdy się nie męczyć. Zastosowanie tych algorytmów do większych zestawów danych treningowych będzie miało kluczowe znaczenie dla analizy wyników przyszłych ankiet, mówią Dieleman i spółka.

Rzeczywiście, tylko zagorzały sceptyk powiedziałby, że ta technika nie zmieni sposobu klasyfikacji galaktyk w najbliższej przyszłości.

Nie oznacza to, że ludzie zostaną wykluczeni z procesu klasyfikacji galaktyk. Daleko stąd. Ten rodzaj zautomatyzowanej pracy zależy przede wszystkim od jakości zestawu danych szkoleniowych. Jeśli więc astronomowie chcą zadawać różne pytania dotyczące galaktyk i używać widzenia maszynowego, aby na nie odpowiadać, najpierw będą musieli stworzyć duży zestaw danych treningowych, który został dokładnie opisany przez ludzi.

Tak więc rola siły tłumu ulegnie zmianie i w pewnym sensie stanie się jeszcze ważniejsza. W przyszłości naukowcy-obywatele będą tworzyć zestawy danych treningowych o złotym standardzie, które algorytmy widzenia maszynowego będą wykorzystywać do uczenia się swoich zadań.

To będzie ważna praca i wygląda na to, że będzie trwać jeszcze przez jakiś czas. Przynajmniej dopóki nowa generacja inteligentnych maszyn nie usunie nawet tego kroku.

Nr ref.: arxiv.org/abs/1503.07077 : Niezmiennicze, splotowe sieci neuronowe do przewidywania morfologii galaktyki

ukryć