Systemy wizyjne inspirowane biologicznie

Neuronaukowcy z MIT opracowali model komputerowy, który naśladuje ludzki system wizyjny, aby dokładnie wykrywać i rozpoznawać obiekty na ruchliwej scenie ulicznej, takie jak samochody i motocykle.

Rozpoznawanie obiektów w scenie, takich jak pokazany tu samochód na ulicy, może być wyzwaniem dla komputerów. Model tego, jak mózg przetwarza informacje wizualne, oferuje skuteczne podejście.

Takie biologicznie inspirowane systemy wizyjne mogą wkrótce znaleźć zastosowanie w systemach nadzoru lub w inteligentnych czujnikach, które mogą ostrzegać kierowców o pieszych i innych przeszkodach. Może również pomóc w rozwoju tak zwanych wyszukiwarek wizualnych, mówi Thomas Serre , neurolog z Centrum Nauk Biologicznych i Komputerowych w McGovern Institute for Brain Research w MIT, który był zaangażowany w projekt.

Naukowcy od lat byli zainteresowani próbami skopiowania biologicznych systemów widzenia, po prostu dlatego, że są tak dobre, mówi David Hogg, ekspert ds. widzenia komputerowego z Uniwersytetu Leeds w Wielkiej Brytanii. To bardzo udany przykład [naśladowania wizji biologicznej], mówi.

Nauczenie komputera klasyfikowania obiektów okazało się znacznie trudniejsze niż pierwotnie przewidywano, mówi Serre, który prowadził pracę z Tomaso Poggio , współdyrektor centrum. Z jednej strony, aby rozpoznać określony typ obiektu, taki jak samochód, komputer potrzebuje szablonu lub reprezentacji obliczeniowej specyficznej dla tego konkretnego obiektu. Taki szablon umożliwia komputerowi odróżnienie samochodu od obiektów innych klas – niesamochodów. Jednak ta reprezentacja musi być wystarczająco elastyczna, aby objąć wszystkie rodzaje samochodów – bez względu na to, jak zróżnicowany jest ich wygląd – pod różnymi kątami, pozycjami i pozami oraz w różnych warunkach oświetleniowych.

Chcesz móc rozpoznać obiekt w dowolnym miejscu w polu widzenia, niezależnie od tego, gdzie się znajduje i niezależnie od jego wielkości, mówi Serre. Jednak jeśli przeanalizujesz obrazy tylko według ich wzorów jasnych i ciemnych pikseli, wtedy dwa portrety różnych osób mogą wyglądać bardziej podobnie niż dwa obrazy tej samej osoby zrobione pod różnymi kątami.

Najskuteczniejszą metodą obejścia takich problemów jest wytrenowanie algorytmu uczącego się na zbiorze obrazów i umożliwienie mu wyodrębnienia ich cech wspólnych; na przykład dwa koła ustawione w linii z drogą mogą sygnalizować samochód. Serre i Poggio uważają, że ludzki system widzenia stosuje podobne podejście, ale oparte na hierarchii kolejnych warstw w korze wzrokowej. Pierwsze warstwy kory wykrywają prostsze cechy obiektu, takie jak krawędzie, a wyższe warstwy integrują te informacje, tworząc naszą percepcję obiektu jako całości.

Aby przetestować swoją teorię, Serre i Poggio pracowali ze Stanleyem Bileschi, również z MIT, i Liorem Wolfem, członkiem wydziału informatyki na Uniwersytecie w Tel Awiwie w Izraelu, aby stworzyć model komputerowy składający się z 10 milionów jednostek obliczeniowych, z których każda została zaprojektowana do zachowania jak skupiska neuronów w korze wzrokowej. Podobnie jak w korze, skupiska są zorganizowane w warstwy.

Kiedy model po raz pierwszy uczy się widzieć, niektóre jednostki przypominające komórki wydobywają ze sceny podstawowe cechy, takie jak zorientowane krawędzie, poprzez analizę bardzo małych grup pikseli. Te neurony są zazwyczaj jak otworki, które patrzą na niewielką część pola widzenia, mówi Serre. Bardziej złożone jednostki są w stanie zająć większą część obrazu i rozpoznać cechy niezależnie od ich wielkości lub położenia. Na przykład, jeśli proste jednostki wykryją pionowe i poziome krawędzie, bardziej złożona jednostka może wykorzystać te informacje do wykrycia narożnika.

Z każdą kolejną warstwą z obrazu wyodrębniane są coraz bardziej złożone elementy. Podobnie relacje między cechami, takie jak odległość między dwiema częściami obiektu lub różne kąty, pod którymi te dwie części są zorientowane. Informacje te pozwalają systemowi rozpoznać ten sam obiekt pod różnymi kątami.

Było dla nas zaskoczeniem, gdy zastosowaliśmy ten model do rzeczywistych zadań wizualnych i dobrze konkurował z najlepszymi systemami, mówi Serre. Rzeczywiście, w niektórych testach ich model z powodzeniem rozpoznawał obiekty średnio w 95% przypadków. Im więcej obrazów jest szkolony przez system, tym dokładniej działa.

Może nie powinniśmy się dziwić, mówi David Lowe , ekspert w dziedzinie wizji komputerowej i rozpoznawania obiektów na Uniwersytecie Kolumbii Brytyjskiej w Vancouver. Wzrok ludzki jest znacznie lepszy w rozpoznawaniu niż którykolwiek z naszych obecnych systemów komputerowych, więc wszelkie wskazówki, jak wyjść z biologii, mogą być bardzo przydatne.

W tej chwili system jest przeznaczony do analizy tylko nieruchomych obrazów. Ale jest to bardzo zgodne ze sposobem działania ludzkiego systemu widzenia, mówi Serre. Dane wejściowe do kory wzrokowej są współdzielone przez system, który zajmuje się kształtami i teksturami, podczas gdy osobny system zajmuje się ruchem, mówi. Zespół pracuje obecnie nad włączeniem równoległego systemu do obsługi wideo.

ukryć