Компьютер способен идентифицировать 200 видов птиц по одной фотографии

Исследователи из Университета Дьюка использовали машинное обучение, чтобы научить компьютер идентифицировать до 200 различных видов птиц. Компьютеру требуется только одна фотография для завершения процесса идентификации. Человеку часто требуются годы наблюдения за птицами, чтобы уметь отличать разные виды друг от друга. 

Исследование возглавил доктор компьютерных наук Дьюк. студент Чаофан Чен вместе со студентом Оскаром Ли. Над ним также работали другие члены команды Лаборатории анализа прогнозов под руководством профессора Дьюка Синтии Рудин. 

ИИ демонстрирует свое мышление

Хотя процесс идентификации впечатляет, есть более важный аспект событий. ИИ умеет показывать свое мышление, позволяя понять процесс даже неопытному орнитологу. 

Глубокая нейронная сеть, или алгоритмы, основанные на работе мозга, была обучена на 11,788 200 фотографиях. На фотографиях было XNUMX различных видов птиц, от уток до колибри. 

Команде исследователей не пришлось специально обучать сеть распознавать клювы или перья на крыльях. Вместо этого сеть может сфотографировать птицу и определить определенные закономерности на изображении. Затем он может взять эти паттерны и идентифицировать предыдущие паттерны, с которыми он уже сталкивался в типичных признаках вида. 

По словам команды, сеть затем создает серию тепловых карт, которые определяют определенные черты. Например, он может отличить обычную камышевку от камышовой камышевки, а также различать такие особенности, как голова в маске и желтый живот. Затем он показывает, что именно эти особенности привели к идентификации. 

В отличие от других систем

Нейронная сеть смогла определить правильный вид до 84% времени. Это похоже на некоторые из самых эффективных систем. Разница в том, что эти системы не объясняют мыслительный процесс, как эта. 

По словам Рудина, наиболее революционным аспектом этого проекта является то, что он обеспечивает визуализацию того, что видят глубокие нейронные сети, когда смотрят на изображение. 

Эта технология также в настоящее время используется на сайтах социальных сетей для выявления подозреваемых преступников в камерах наблюдения и помогает автономным транспортным средствам идентифицировать светофоры и пешеходов. 

Программное обеспечение для глубокого обучения часто не требует явного программирования для обучения на основе данных, чего нельзя сказать о традиционном программном обеспечении. Однако процесс не всегда понятен или показан, поэтому часто сложно объяснить, как алгоритмы «думают» при классификации изображения. 

В будущем

Рудин и другие в настоящее время работают над новыми моделями глубокого обучения для ИИ, продвигая эту область вперед. Новые модели могут объяснить их рассуждения и процесс идентификации. Это помогает исследователям видеть от начала до конца и облегчает определение причины ошибки или проблемы. 

Рудин и ее команда будут работать над использованием алгоритма в медицине. Он может определять определенные проблемные области на медицинских изображениях, таких как маммограммы. Это поможет медицинским работникам обнаружить опухоли, кальцинаты и другие признаки рака молочной железы. 

По словам Рудина, сеть имитирует то, как врачи ставят диагноз. 

«Это рассуждения, основанные на прецедентах, — сказал Рудин. «Мы надеемся, что сможем лучше объяснить врачам или пациентам, почему их изображение было классифицировано сетью как злокачественное или доброкачественное».

Команда представит документ, включающий свои исследования, на Тридцать третьей конференции по системам обработки нейронной информации (NeurlIPS2019) в Ванкувере 12 декабря. 

В исследовании также участвуют авторы Дэниел Тао и Алина Барнерр из Duke и Джонатан Су из лаборатории Линкольна Массачусетского технологического института.