Un nuovo tipo di visione artificiale non può essere ingannato da luci strane

Categoria: Non categorizzato Inserito 21 novembre

La visione artificiale ha fatto molta strada da allora imagenet , un ampio set di dati open source di immagini etichettate, è stato rilasciato nel 2009 per essere utilizzato dai ricercatori per addestrare l'IA, ma le immagini con illuminazione difficile o scarsa possono ancora confondere gli algoritmi. I ricercatori hanno cercato di utilizzare regole artigianali su come la luce interagisce con gli oggetti o hanno utilizzato un set di dati che copre quante più situazioni di illuminazione possibile. Ma c'è una combinazione quasi illimitata di oggetti e luce nel mondo reale, che ostacola entrambi gli approcci.

Un nuovo documento dei ricercatori del MIT e di DeepMind descrive in dettaglio un processo in grado di identificare immagini con illuminazione diversa senza dover codificare manualmente le regole o allenarsi su un enorme set di dati. Il processo, chiamato RIN (Rendered Intrinseco Network), separa automaticamente un'immagine in livelli di riflettanza, forma e illuminazione. Quindi ricombina i livelli in una ricostruzione dell'immagine originale.

Per addestrare RIN, i ricercatori hanno creato un set di dati di cinque forme (cubi, sfere, coni, cilindri e tori) e li hanno resi ciascuno con 10 orientamenti diversi e 500 colori diversi. Come prova del concetto, i ricercatori hanno mostrato come la scomposizione di un'immagine nei tre strati potrebbe aiutare un computer a identificare che cos'è un elemento in un'immagine, o dedurne la forma. Ad esempio, il modello ha imparato a individuare elementi molto più complicati, come i classici modelli di test delle immagini Coniglietto di Stanford , Teiera dell'Utah , e Suzanne del frullatore —dopo essere stato addestrato sulle forme campione di base, senza mai vedere esempi etichettati.

Oltre a offrire un nuovo modo per superare il problema delle infinite situazioni di illuminazione per un'immagine, RIN è anche un esempio di apprendimento con dati senza etichetta. La maggior parte dell'IA ha ancora bisogno di dati etichettati per imparare e prepararli richiede ore di lavoro umano ripetitivo. Trovare un modo per imparare dai dati senza etichetta è una delle prossime frontiere dell'intelligenza artificiale.