깊은 학습 시스템은 방해를 받을 때 더 잘 학습합니다

네덜란드와 스페인의 컴퓨터 과학자들은 깊은 학습 시스템이 방해를 받을 때 더 잘 학습하는 방법을 결정했습니다. 이 인공 지능(AI)은 이미지 인식에 목표를 두고 있으며 주변 환경을 인식하는 방법을 학습할 수 있습니다. 연구 팀은 시스템을 두次적으로 특징에 집중하도록 강제함으로써 학습 과정을 단순화할 수 있었습니다.

합성곱 신경망

깊은 학습 시스템은 합성곱 신경망(CNNs)을 기반으로 합니다. 이는 인공 지능 시스템을 위한 깊은 학습의 한 형태입니다.

에스테파니아 탈라베라 마르티네즈(Estefanía Talavera Martinez)는 네덜란드 그로닝언 대학교의 베르ヌ이数学, 컴퓨터 과학 및 인공 지능 연구소(Bernoulli Institute for Mathematics, Computer Science and Artificial Intelligence)의 강사이자 연구자입니다.

“이러한 CNN은 성공적이지만, 우리는它们이 어떻게 작동하는지 완전히 이해하지 못합니다”라고 탈라베라 마르티네즈는 말합니다.

탈라베라 마르티네즈는 인간 행동을 연구하는 과정에서 착용 가능한 카메라에서 오는 이미지들을 분석하기 위해 CNN을 사용했습니다. 그녀의 일부 연구는 음식과 인간의 상호작용을 연구하는 데 중점을 두었습니다. 그래서 그녀는 시스템이 사람들이 음식을 만나는 다양한 환경을 인식하도록 만들고자 했습니다.

“일부 사진의 분류에서 시스템이 오류를犯하는 것을 발견했고, 왜 이런 일이 발생하는지 알고 싶었습니다”라고 그녀는 말합니다.

그녀는 히트맵을 사용하여 이미지의 어느 부분이 CNN에 의해 설정을 식별하는 데 사용되는지 분석했습니다.

“이는 시스템이 충분한 세부 사항을 살펴보지 않는다는 가설로 이어졌습니다”라고 그녀는 말합니다.

예를 들어, 한 예는 마그를 사용하여 부엌을 식별하는 인공 지능 시스템이었습니다. 이 예에서, 인공 지능은 거실이나 사무실과 같은 다른 영역도 잘못 분류할 수 있습니다. 이러한 영역에서도 종종 마그가 있습니다.

탈라베라 마르티네즈와 그녀의 팀은 해결책을 개발하기 위해 나섰습니다. 그녀의 동료에는 스페인의 다비드 모랄레스(David Morales)와 베아트리스 레메세이로(Beatriz Remeseiro)가 있었습니다. 제안된 해결책은 시스템을 주요 대상에서 방해하는 것이었습니다.

해결책 개발

연구 팀은 표준 이미지 세트(예: 비행기 또는 자동차)를 사용하여 CNN을 훈련시키고, 히트맵을 통해 분류를 위해 사용된 이미지의 어느 부분인지 식별했습니다. 이러한 이미지의 부분은 흐리게 처리되었고, 이미지 세트는 두 번째 훈련 라운드에 사용되었습니다.

“이것은 시스템이 식별자를 찾기 위해 다른 곳을 살펴보도록 강제합니다. 그리고 이러한 추가 정보를 사용하여 더 세부적인 분류를 수행할 수 있습니다”라고 탈라베라 마르티네즈는 말합니다.

새로운 시스템은 표준 이미지 세트에서 잘 작동했으며, 착용 가능한 카메라에서 수집된 이미지에서도 성공적이었습니다.

“우리의 훈련 체제는 다른 접근 방식과 유사한 결과를 제공하지만, 훨씬 더 단순하며, 계산 시간이 적게 걸립니다”라고 그녀는 말합니다.

세부적인 분류를 증가시키기 위한 이전의 시도는 다양한 CNN 세트의 조합에 중점을 두었습니다. 그러나 새롭게 개발된 접근 방식은 훨씬 더 경량입니다.

“이 연구는 이러한 CNN이 어떻게 학습하는지에 대한 더好的 이해를 제공했으며, 이것이 훈련 프로그램을 개선하는 데 도움이 되었습니다”라고 탈라베라 마르티네즈는 말합니다.