211service.com
Nieograniczone fraktale komputerowe mogą pomóc wytrenować sztuczną inteligencję, aby widzieć
Pani Tech | Unsplash
Większość systemów rozpoznawania obrazów jest szkolona przy użyciu dużych baz danych, które zawierają miliony zdjęć przedmiotów codziennego użytku, od węży, przez dreszcze, po buty. Przy wielokrotnej ekspozycji AI uczą się odróżniać jeden rodzaj obiektu od drugiego. Teraz naukowcy z Japonii wykazali, że sztuczna inteligencja może zacząć uczyć się rozpoznawania przedmiotów codziennego użytku poprzez szkolenie na fraktalach generowanych komputerowo zamiast.
To dziwny pomysł, ale może to być wielka sprawa. Automatyczne generowanie danych treningowych to ekscytujący trend w uczeniu maszynowym. A korzystanie z nieskończonej ilości obrazów syntetycznych zamiast zdjęć zeskrobanych z Internetu pozwala uniknąć problemów z istniejącymi ręcznie wykonanymi zestawami danych.
Kłopoty z treningiem: Wstępne szkolenie to faza, w której sztuczna inteligencja uczy się podstawowych umiejętności, zanim zostanie przeszkolona na bardziej specjalistycznych danych. Wstępnie wytrenowane modele pozwalają większej liczbie osób na korzystanie z potężnej sztucznej inteligencji. Zamiast szkolić model od podstaw, mogą dostosować istniejący model do swoich potrzeb. Na przykład system do diagnozowania skanów medycznych może najpierw nauczyć się identyfikować podstawowe cechy wizualne, takie jak kształt i kontur, poprzez wstępne przeszkolenie w bazie danych przedmiotów codziennego użytku — takich jak ImageNet , który zawiera ponad 14 milionów zdjęć. Następnie zostanie dostrojony do mniejszej bazy danych obrazów medycznych, aż rozpozna subtelne oznaki choroby.
Powiązana historia
AI musi stawić czoła problemowi niewidzialnego pracownika Modele uczenia maszynowego są szkolone przez nisko opłacanych pracowników koncertowych online. Nie odchodzą, ale możemy zmienić sposób, w jaki działają, mówi Saiph Savage.Problem polega na tym, że ręczne złożenie zestawu danych, takiego jak ImageNet, zajmuje dużo czasu i wysiłku. Obrazy są zwykle oznaczone przez nisko opłacani crowdworkerzy . Zbiory danych mogą również zawierać: seksistowski lub rasistowskie etykiety, które mogą w ukryty sposób zniekształcać model, a także wizerunki osób, które zostały uwzględnione bez ich zgody. Istnieją dowody, że te uprzedzenia mogą się wkraść nawet w przedtreningu .
Formy naturalne : Fraktale można znaleźć we wszystkim, od drzew i kwiatów po chmury i fale. To sprawiło, że zespół z Japońskiego Narodowego Instytutu Zaawansowanych Nauk i Technologii Przemysłowych (AIST), Tokijskiego Instytutu Technologii i Uniwersytetu Tokijskiego Denki zastanawiał się, czy te wzorce można wykorzystać do nauczenia zautomatyzowanego systemu podstaw rozpoznawania obrazów, zamiast używania zdjęć. rzeczywistych obiektów.
Naukowcy stworzyli FractalDB, nieskończoną liczbę fraktali generowanych komputerowo. Niektóre wyglądają jak liście; inne wyglądają jak płatki śniegu lub muszle ślimaków. Każda grupa podobnych wzorów otrzymywała automatycznie etykietę. Następnie wykorzystali FractalDB do wstępnego trenowania splotowej sieci neuronowej, typu modelu uczenia głębokiego powszechnie używanego w systemach rozpoznawania obrazów, przed ukończeniem szkolenia zestawem rzeczywistych obrazów. Odkryli, że działa prawie tak dobrze, jak modele wytrenowane na najnowocześniejszych zestawach danych, w tym ImageNet i Miejsca , który zawiera 2,5 miliona zdjęć scen plenerowych.
Czy to działa? Anh Nguyen z Auburn University w Alabamie, która nie była zaangażowana w badanie, nie jest przekonana, że FractalDB jest jeszcze odpowiednikiem dla ImageNet. Badał, jak abstrakcyjne wzory mogą: mylić systemy rozpoznawania obrazów . Jest związek między tą pracą a przykładami, które oszukują maszyny, mówi. Chciałby bardziej szczegółowo zbadać, jak działa to nowe podejście. Ale japońscy naukowcy sądzą, że dzięki ulepszeniom w ich podejściu generowane komputerowo zestawy danych, takie jak FractalDB, mogą zastąpić istniejące.
Dlaczego fraktale: Naukowcy próbowali również trenować swoją sztuczną inteligencję za pomocą innych abstrakcyjnych obrazów, w tym tych wyprodukowanych przy użyciu Hałas Perlina , który tworzy nakrapiane wzory oraz krzywe Beziera , rodzaj krzywej używanej w grafice komputerowej. Ale najlepsze rezultaty dały fraktale. Geometria fraktalna istnieje w podstawowej wiedzy o świecie, mówi główny autor Hirokatsu Kataoka z AIST.