Modely a platformy AI
Zlepšení AI-Powered Počítačového Vidění Prostřednictvím Fyzikálně-Vědomých Metod
Přidejte Unite.AI mezi své preferované zdroje na Google
Umělá inteligence nezvratně zanechala nesmazatelnou stopu v našich životech. V průkopnickém úsilí dále zlepšit schopnosti AI, výzkumníci z UCLA a United States Army Research Laboratory odhalili jedinečný přístup, který spojuje fyzikálně-vědomé metody s datově-řízenými technikami v AI-powerech počítačových viděních.
Studie, publikovaná v Nature Machine Intelligence, navrhuje průlomovou hybridní metodologii zaměřenou na zlepšení toho, jak AI-založené stroje vnímají, interagují a reagují na své okolí v reálném čase—kritické pro autonomní vozidla a precizní akční roboty.
Hybridní Přístup Pro Fyzikálně-Vědomou AI
Tradičně, počítačové vidění, obor, který umožňuje AI chápat a odvozovat vlastnosti fyzického světa z obrazů, se zaměřilo převážně na datově-založené strojové učení. Současně, fyzikálně-založené výzkumy se snažily odhalit fyzikální principy, které leží v основе mnoha počítačových viděních. Nicméně, začlenění chápání fyziky do oblasti neuronových sítí se ukázalo jako obtížné.
V významném průlomu, studie UCLA má za cíl spojit hluboké chápání z dat a reálného světa fyziky, čímž vytváří hybridní AI s rozšířenými schopnostmi. Achuta Kadambi, korespondent studie a asistent profesora elektrotechniky a počítačového inženýrství na UCLA Samueli School of Engineering, vysvětluje, “Fyzikálně-vědomé formy inferencí mohou umožnit vozidlům jezdit bezpečněji nebo chirurgickým robotům být přesnější.”
Začlenění Fyziky Do Počítačového Vidění AI
Výzkumný tým nastiňuje tři inovativní způsoby, jak začlenit fyziku do počítačového vidění AI:
- Infuze fyziky do AI datových sad: To zahrnuje označování objektů s dodatečnými informacemi, jako je jejich potenciální rychlost nebo hmotnost, podobně jako postavy ve videohrách.
- Integrace fyziky do sítě architektur: Tato strategie zahrnuje běh dat přes síťový filtr, který kóduje fyzikální vlastnosti do toho, co kamery zachycují.
- Začlenění fyziky do sítě ztrátové funkce: Zde se využívá znalost založená na fyzice, aby AI pomohla interpretovat trénovací data na základě svých pozorování.
Tyto experimentální směry výzkumu již přinesly slibné výsledky při zlepšování počítačového vidění. Například, hybridní přístup umožňuje AI sledovat a předpovídat pohyb objektu přesněji a může produkovat přesné, high-resolution obrázky ze scén zakrytých nepříznivým počasím.
Budoucnost Fyzikálně-Vědomé AI
Výzkumníci jsou optimističtí, že pokračující pokroky v tomto duálním přístupu mohou vést hluboké učení založené AI k nezávislému učení fyzikálních zákonů. To by mohlo označit novou hranici v AI-powerech počítačových viděních, vytvářející cestu pro bezpečnější a přesnější aplikaci AI v různých sektorech, včetně autonomních vozidel a chirurgické robotiky.
Studie, podporovaná částečně grantem od Army Research Laboratory, byla spoluvytvořena armádou výzkumným pracovníkem Celso de Melo, a UCLA fakultními členy Stefano Soatto, Cho-Jui Hsieh, a Mani Srivastava. Další financování přišlo z grantů od National Science Foundation, Army Young Investigator Program, Defense Advanced Research Projects Agency, Intrinsic, Alphabet (GOOG ) (GOOGL ) společnosti, a Amazon.
