Компьютер, способный идентифицировать 200 видов птиц по одной фотографии

Исследователи из Университета Дьюка использовали машинное обучение, чтобы обучить компьютер идентифицировать до 200 разных видов птиц. Компьютеру требуется только одна фотография, чтобы завершить процесс идентификации. Для человека часто требуется годы наблюдения за птицами, чтобы быть в состоянии идентифицировать разные виды друг от друга.

Исследование было возглавлено аспирантом кафедры компьютерных наук Университета Дьюка Чаофаном Ченом, а также студентом Оскаром Ли. В работе также участвовали другие члены команды лаборатории предсказательного анализа под руководством профессора Университета Дьюка Синтии Рудин.

ИИ, демонстрирующий свою мыслительную деятельность

Хотя процесс идентификации впечатляет, есть более важный аспект разработок. ИИ способен показать свою мыслительную деятельность, что позволяет даже неопытному наблюдателю за птицами понять процесс.

Глубокая нейронная сеть, или алгоритмы, основанные на работе мозга, были обучены на 11 788 фотографиях. Фотографии включали 200 разных видов птиц, включая все, от уток до колибри.

Команда исследователей не должна была специально обучать сеть идентифицировать клювы или перья крыльев. Вместо этого сеть способна взять фотографию птицы и выявить определенные закономерности в изображении. Затем она может взять эти закономерности и выявить предыдущие закономерности, которые она уже встретила в типичных характеристиках видов.

По словам команды, сеть затем создает серию тепловых карт, которые выявляют определенные характеристики. Например, она может различать обычную莺 и hooded warbler, а также различные характеристики, такие как маскированный головной убор и желтый живот. Затем она показывает, что именно эти характеристики привели к идентификации.

В отличие от других систем

Нейронная сеть смогла правильно идентифицировать вид до 84% времени. Это похоже на некоторые из лучших систем. Разница заключается в том, что эти системы не объясняют процесс мыслительной деятельности, как эта.

По словам Рудин, наиболее революционный аспект этого проекта заключается в том, что он предоставляет визуализацию того, что глубокие нейронные сети видят, когда смотрят на изображение.

Эта технология также в настоящее время используется на сайтах социальных сетей, чтобы выявить подозреваемых преступников в системах видеонаблюдения, и помочь автономным транспортным средствам выявить светофоры и пешеходов.

Программное обеспечение глубокого обучения часто не требует явной программирования, чтобы учиться на данных, что не является случаем с традиционным программным обеспечением. Однако процесс не всегда ясен или показан, поэтому часто бывает трудно объяснить, как алгоритмы “думают”, когда классифицируют изображение.

В будущем

Рудин и другие в настоящее время работают над новыми моделями глубокого обучения для ИИ, продвигая эту область вперед. Новые модели могут объяснить свою логику и процесс идентификации. Это помогает исследователям видеть процесс от начала до конца, и это делает его проще выявить причину ошибки или проблемы.

Рудин и ее команда будут работать над использованием алгоритма в медицинской области. Он может выявить определенные проблемные области в медицинских изображениях, таких как маммограммы. Это поможет медицинским специалистам выявить узлы, кальцификации и другие признаки рака молочной железы.

По словам Рудин, сеть имитирует способ, которым врачи ставят диагноз.

“Это основано на случае”, – сказала Рудин. “Мы надеемся, что сможем лучше объяснить врачам или пациентам, почему их изображение было классифицировано сетью как злокачественное или доброкачественное.”

Команда представит статью, включающую их исследования, на Тридцать третьей конференции по обработке нейронной информации (NeurlIPS2019) в Ванкувере 12 декабря.

Исследование также включает авторов Даниэля Тао и Алину Барнер из Университета Дьюка и Джонатана Су из лаборатории Линкольна Массачусетского технологического института.