La tecnica rivoluzionaria che ha silenziosamente cambiato per sempre la visione artificiale

Nell'esplorazione spaziale, c'è il Google Lunar X Prize per aver posizionato un rover sulla superficie lunare. In medicina, c'è il Qualcomm Tricorder X Prize per lo sviluppo di un dispositivo simile a Star Trek per la diagnosi delle malattie. C'è anche un incipiente Premio Intelligenza Artificiale X per lo sviluppo di un sistema di intelligenza artificiale in grado di offrire un accattivante discorso TED.

Nel mondo della visione artificiale, l'obiettivo equivalente è vincere la ImageNet Large-Scale Visual Recognition Challenge. Questa è una competizione che si tiene ogni anno dal 2010 per valutare gli algoritmi di riconoscimento delle immagini. (È progettato per seguire un progetto simile chiamato PASCAL VOC che si è svolto dal 2005 al 2012).

I concorrenti di questa competizione hanno due semplici compiti. Presentato con un'immagine di qualche tipo, il primo compito è decidere se contiene o meno un particolare tipo di oggetto. Ad esempio, un concorrente potrebbe decidere che ci sono auto in questa immagine ma non tigri. Il secondo compito è trovare un oggetto particolare e disegnare una scatola attorno ad esso. Ad esempio, un concorrente potrebbe decidere che c'è un cacciavite in una determinata posizione con una larghezza di 50 pixel e un'altezza di 30 pixel.

Oh, e un'altra cosa: ci sono 1.000 diverse categorie di oggetti che vanno dall'abaco alle zucchine, e i concorrenti devono setacciare un database di oltre 1 milione di immagini per trovare ogni istanza di ciascun oggetto. Scaltro!

I computer hanno sempre avuto difficoltà a identificare gli oggetti nelle immagini reali, quindi non è difficile credere che i vincitori di questi concorsi si siano sempre comportati male rispetto agli umani.

Ma tutto è cambiato nel 2012, quando un team dell'Università di Toronto in Canada ha inserito un algoritmo chiamato SuperVision, che ha spazzato via la parola con l'opposizione.

Oggi, Olga Russakovsky della Stanford University in California e alcuni amici rivedono la storia di questa competizione e affermano che in retrospettiva, la vittoria completa di SuperVision è stata un punto di svolta per la visione artificiale. Da allora, dicono, la visione artificiale è migliorata a un ritmo così rapido che oggi rivaleggia per la prima volta con la precisione umana.

Quindi cosa è successo nel 2012 che ha cambiato il mondo della visione artificiale? La risposta è una tecnica chiamata reti neurali convoluzionali profonde che l'algoritmo Super Visison ha utilizzato per classificare gli 1,2 milioni di immagini ad alta risoluzione nel set di dati in 1000 classi diverse.

Questa è stata la prima volta che una rete neurale convoluzionale profonda ha vinto la competizione, ed è stata una chiara vittoria. Nel 2010, la voce vincente aveva un tasso di errore del 28,2%, nel 2011 il tasso di errore era sceso al 25,8%. Ma SuperVision ha vinto con un tasso di errore di solo il 16,4 percento nel 2012 (la seconda miglior voce aveva un tasso di errore del 26,2 percento). Quella chiara vittoria ha assicurato che questo approccio è stato ampiamente copiato da allora.

Le reti neurali convoluzionali sono costituite da diversi strati di piccole raccolte di neuroni che guardano ciascuna piccole porzioni di un'immagine. I risultati di tutte le raccolte in un livello vengono sovrapposti per creare una rappresentazione dell'intera immagine. Il livello sottostante ripete quindi questo processo sulla nuova rappresentazione dell'immagine, consentendo al sistema di conoscere la composizione dell'immagine.

Le reti neurali convoluzionali profonde sono state inventate all'inizio degli anni '80. Ma è solo negli ultimi due anni che i computer hanno iniziato ad avere la potenza necessaria per il riconoscimento di immagini di alta qualità.

SuperVision, ad esempio, è costituito da circa 650.000 neuroni disposti in cinque strati convoluzionali. Ha circa 60 milioni di parametri che devono essere messi a punto durante il processo di apprendimento per riconoscere oggetti in categorie particolari. È questo enorme spazio parametrico che consente il riconoscimento di così tanti tipi diversi di oggetti.

Dal 2012, diversi gruppi hanno notevolmente migliorato il risultato di SuperVision. Quest'anno, un algoritmo chiamato GoogLeNet, creato da un team di ingegneri di Google, ha raggiunto un tasso di errore di appena il 6,7%.

Una delle grandi sfide nella gestione di questo tipo di competizione è in primo luogo la creazione di set di dati di alta qualità, affermano Russakovsky e co. Ogni immagine nel database deve essere annotata secondo un gold standard che gli algoritmi devono soddisfare. C'è anche un database di formazione di circa 150.000 immagini che devono anche essere annotate.

Non è un compito facile con un numero così elevato di immagini. Russakovsky e co lo hanno fatto utilizzando il crowdsourcing su strutture come Mechanical Turk di Amazon, dove chiedono agli utenti umani di classificare le immagini. Ciò richiede una notevole quantità di pianificazione, controllo incrociato e riesecuzione quando non funziona. Ma il risultato è un database di immagini di alta qualità annotate con un alto grado di accuratezza, dicono.

Una domanda interessante è come i migliori algoritmi si confrontano con gli esseri umani quando si tratta di riconoscimento di oggetti. Russakovsky e compagni hanno confrontato gli esseri umani con le macchine e la loro conclusione sembra inevitabile. I nostri risultati indicano che un annotatore umano addestrato è in grado di superare il modello migliore (GoogLeNet) di circa l'1,7%, dicono.

In altre parole, non passerà molto tempo prima che le macchine superino significativamente gli esseri umani nelle attività di riconoscimento delle immagini.

I migliori algoritmi di visione artificiale lottano ancora con oggetti piccoli o sottili come una piccola formica sullo stelo di un fiore o una persona che tiene una penna in mano. Hanno anche problemi con le immagini che sono state distorte con i filtri, un fenomeno sempre più comune con le moderne fotocamere digitali.

Al contrario, questo tipo di immagini raramente disturba gli esseri umani che tendono ad avere problemi con altri problemi. Ad esempio, non sono bravi a classificare gli oggetti in categorie a grana fine come le specie particolari di cani o uccelli, mentre gli algoritmi di visione artificiale gestiscono questo con facilità.

Ma la tendenza è chiara. È chiaro che presto gli esseri umani supereranno i modelli di classificazione delle immagini all'avanguardia solo mediante l'uso di sforzi, competenze e tempo significativi, affermano Russakovsky e co.

O in altre parole, è solo questione di tempo prima che il tuo smartphone sia più bravo di te nel riconoscere il contenuto delle tue foto.

Rif: http://arxiv.org/abs/1409.0575 : Sfida di riconoscimento visivo su larga scala di ImageNet

nascondere