Computer in staat om 200 soorten vogels te identificeren vanaf één foto

Onderzoekers van de Duke University gebruikten machine learning om een computer te trainen om tot 200 verschillende soorten vogels te identificeren. De computer heeft slechts één foto nodig om het identificatieproces te voltooien. Voor een mens zijn vaak jaren van vogelobservatie nodig om verschillende soorten van elkaar te kunnen onderscheiden.

Het onderzoek werd geleid door Chaofan Chen, een Ph.D.-student in de informatica aan de Duke University, samen met undergraduate Oscar Li. Het werd ook uitgevoerd door andere teamleden van de Prediction Analysis Lab onder leiding van professor Cynthia Rudin van de Duke University.

A.I. laat zijn denkwijze zien

Terwijl het identificatieproces indrukwekkend is, is er een belangrijker aspect van de ontwikkelingen. De A.I. kan zijn denkwijze laten zien, waardoor zelfs een onervaren vogelaar het proces kan begrijpen.

Het diepe neurale netwerk, of algoritmes die zijn gebaseerd op de werking van de hersenen, werden getraind met 11.788 foto’s. De foto’s omvatten 200 verschillende soorten vogels, van eenden tot kolibries.

Het team van onderzoekers hoefde het netwerk niet specifiek te trainen om snavels of vleugelveren te identificeren. In plaats daarvan kan het netwerk een foto van een vogel nemen en bepaalde patronen in het beeld identificeren. Het kan dan die patronen nemen en vergelijken met eerder waargenomen patronen in typische soortkenmerken.

Volgens het team creëert het netwerk vervolgens een reeks warmtekaarten die bepaalde kenmerken identificeren. Bijvoorbeeld, het kan het verschil zien tussen een gewone fitis en een kapfitis, samen met verschillende kenmerken zoals een gemaskerd hoofd en een gele buik. Het toont dan aan dat deze kenmerken hebben geleid tot de identificatie.

Anders dan andere systemen

Het neurale netwerk kon de juiste soort identificeren in tot 84% van de gevallen. Dit is vergelijkbaar met enkele van de beste presterende systemen. Het verschil is dat die systemen het denkproces niet uitleggen zoals dit systeem.

Volgens Rudin is het meest revolutionaire aspect van dit project dat het visualisaties biedt voor wat diepe neurale netwerken zien wanneer ze naar een beeld kijken.

Deze technologie wordt ook op sociale media-sites gebruikt om verdachte criminelen in bewakingscamera’s te identificeren en om autonome voertuigen te helpen verkeerslichten en voetgangers te identificeren.

Diepe leersoftware heeft vaak geen expliciete programmering nodig om van data te leren, wat niet het geval is voor traditionele software. Echter, het proces is niet altijd duidelijk of zichtbaar, waardoor het vaak moeilijk is om uit te leggen hoe de algoritmes “denken” wanneer ze een beeld classificeren.

In de toekomst

Rudin en anderen werken momenteel aan nieuwe diepe leermodellen voor A.I., waardoor het veld vooruit gaat. De nieuwe modellen kunnen hun redenering en identificatieproces uitleggen. Dit helpt de onderzoekers om van begin tot einde te zien en maakt het gemakkelijker om de reden achter een fout of probleem te identificeren.

Rudin en haar team zullen werken aan het gebruik van het algoritme in de medische sector. Het kan bepaalde probleemgebieden in medische beelden zoals mammogrammen identificeren. Dit zou medische professionals helpen om knobbels, calcificaties en andere tekenen van borstkanker te detecteren.

Volgens Rudin imiteert het netwerk de manier waarop artsen een diagnose stellen.

“Het is gebaseerd op casuïstiek”, zei Rudin. “We hopen dat we beter kunnen uitleggen aan artsen of patiënten waarom hun beeld door het netwerk is geclassificeerd als kwaadaardig of goedaardig.”

Het team zal een paper presenteren met hun onderzoek op de Thirty-third Conference on Neural Information Processing Systems (NeurlIPS2019) in Vancouver op 12 december.

De studie omvat ook auteurs Daniel Tao en Alina Barnerr van Duke en Jonathan Su van het MIT Lincoln Laboratory.