Come Moss ha aiutato la visione artificiale a superare un tallone d'Achille

Negli ultimi anni, gli algoritmi di deep learning hanno rivoluzionato il modo in cui le macchine riconoscono gli oggetti. Gli algoritmi all'avanguardia superano facilmente gli esseri umani nell'identificazione di cose ordinarie come tavoli, sedie, automobili e persino volti.

Ma questi algoritmi hanno un tallone d'Achille: ci sono alcune cose che proprio non riescono a vedere. Ad esempio, la visione artificiale non è in grado di riconoscere cose come erbe ed erbe aromatiche, perché hanno forme amorfe difficili da definire.

Un tavolo ha generalmente quattro gambe e una superficie piana, caratteristiche che l'apprendimento automatico è in grado di identificare. Al contrario, erbe ed erbe della stessa specie possono essere di dimensioni diverse e avere un numero diverso di foglie, semi e così via, a seconda delle condizioni di crescita. Ciò rende difficile per la visione artificiale riconoscerli, in particolare se non sono in fiore.

Le macchine trovano altrettanto difficile identificare gli alberi dalle immagini aeree o le colture dalle immagini satellitari. Ciò che serve è un nuovo approccio in grado di addestrare algoritmi di deep learning a lavorare con la loro magia su oggetti dalla forma ambigua.

Entra Takeshi Ise e i suoi amici dell'Università di Kyoto in Giappone. Questi ragazzi hanno sviluppato una tecnica semplice che aiuta le macchine di deep learning a riconoscere queste piante amorfe. Hanno messo alla prova la nuova tecnica insegnandole a riconoscere diversi tipi di muschio, una pianta dalla forma difficile da definire.

Il team è in una buona posizione per studiare il muschio, dato il clima notoriamente caldo e umido di Kyoto, che ne favorisce la crescita. Ise e compagni hanno iniziato fotografando il muschio in un giardino tradizionale giapponese a Kyoto, chiamato Murin-An, dove viene coltivato.

Hanno identificato tre tipi di muschio e li hanno fotografati individualmente, ma anche in luoghi in cui sono tutti presenti insieme ad altre piante e caratteristiche non muschiose. Ogni foto è stata scattata con una fotocamera digitale, come una Olympus OM-D E-M5 Mark II, con un obiettivo da 50 mm (o equivalente) da una distanza di 60 centimetri direttamente sopra i tappeti di muschio. Queste immagini hanno 4608 x 3456 pixel.

L'obiettivo del loro algoritmo di deep learning è identificare i diversi tipi di muschio in un'unica immagine e distinguere il muschio da altri oggetti e piante.

Il loro metodo è semplice. Per addestrare l'algoritmo, il team divide ogni immagine di un muschio specifico in regioni molto più piccole di 56 x 56 pixel, con una sovrapposizione del 50%. In questo modo, l'immagine originale genera circa 90.000 immagini, di cui l'80 percento viene utilizzato per addestrare il proprio algoritmo e il resto per testarlo.

Sebbene le immagini di addestramento di siano state scattate da un tappetino uniforme di un tipo specifico di muschio, questi tappetini possono contenere piccole regioni di altri muschi. Quindi il team ha esaminato tutte le immagini di addestramento e ha rimosso manualmente le immagini dei muschi alieni. Ciò ha lasciato immagini di tre tipi di muschio: Politrico , Trachicisti , e Il clamore —così come caratteristiche non muschio. Tutte le immagini di formazione potrebbero quindi essere etichettate come uno di questi tipi e inserite nella macchina di deep learning.

I risultati sono impressionanti. Usando questo metodo, l'algoritmo ha imparato rapidamente a riconoscere ogni tipo di muschio con una buona precisione. Quando i ricercatori hanno rilasciato l'algoritmo su una singola immagine che mostra vari tipi di muschio, è stato in grado di identificare accuratamente i muschi in diverse aree dell'immagine. Il modello ha classificato correttamente le immagini di prova con una precisione superiore al 90%, dicono.

L'algoritmo funziona meglio per alcuni tipi di muschio rispetto ad altri. La prestazione stimata per Politrico è del 99% [accuratezza del riconoscimento], Trachicisti è del 95% e Il clamore è il 74%, dicono Ise e co.

La precisione inferiore per Il clamore è perché questa pianta è più amorfa delle altre, con forme di crescita meno ben definite. Al contrario, Politrico ha una forma distintiva e ben definita.

Il team afferma che esistono vari modi per migliorare la precisione, ad esempio creare un set di formazione di fotografie scattate in diversi periodi dell'anno in cui il Il clamore il muschio, in particolare, può sembrare più caratteristico. Oppure il bilanciamento del bianco sulla fotocamera digitale potrebbe essere standardizzato per ottenere una resa cromatica più accurata per ogni muschio.

In ogni caso, i risultati mostrano significative promesse per il futuro. La tecnica potrebbe essere applicata alle immagini aeree per identificare meglio alberi e piante nelle immagini riprese dall'alto. Sarebbe estremamente utile per fare l'inventario in natura o in grandi aree gestite come fattorie e foreste.

Nel frattempo, Ise e colleghi affermano di voler sviluppare un'app che consenta alle persone di identificare il muschio utilizzando uno smartphone. Questo potrebbe rivelarsi popolare per i giardinieri.

Rif: arxiv.org/abs/1708.01986 : Identificazione di 3 specie di muschio mediante il deep learning, utilizzando il metodo dell'immagine tagliata

nascondere