Глубокая система обучения лучше учится, когда отвлекается

Компьютерные ученые из Нидерландов и Испании определили, как глубокая система обучения лучше учится, когда отвлекается. Этот искусственный интеллект (ИИ) предназначен для распознавания изображений и может научиться распознавать окружающую среду. Команда смогла упростить процесс обучения после того, как заставила систему сосредоточиться на второстепенных характеристиках.

Свёрточные нейронные сети

Глубокая система обучения основана на свёрточных нейронных сетях (СНС), которые являются формой глубокого обучения для систем ИИ.

Эстефания Талавера Мартинес – лектор и исследователь в Институте Бернулли по математике, информатике и искусственному интеллекту Университета Гронингена в Нидерландах.

«Эти СНС успешны, но мы не полностью понимаем, как они работают», – говорит Талавера Мартинес.

Талавера Мартинес использовала СНС для анализа изображений, полученных от носимых камер, изучая поведение человека. Некоторая ее работа была связана с изучением взаимодействия человека с едой, поэтому она решила сделать систему распознавания разных условий, в которых люди встречаются с едой.

«Я заметила, что система совершает ошибки в классификации некоторых изображений и хотела понять, почему это происходит», – сказала она.

Она использовала тепловые карты и проанализировала, какие части изображений использовались СНС для определения условий.

«Это привело к гипотезе, что система не смотрит на достаточно деталей», – сказала она.

Примером является система ИИ, которая научилась использовать кружки для определения кухни. В этом примере ИИ могла неправильно классифицировать области, такие как гостиные и офисы, которые также часто имеют кружки.

Талавера Мартинес и ее команда затем разработали решение. Ее коллегами были Давид Моралес и Беатрис Ремесейро, оба из Испании. Предложенным решением было отвлечь систему от основной цели.

Разработка решения

Команда обучила СНС стандартным набором изображений самолетов или машин и определила, какие части изображений использовались для классификации с помощью тепловых карт. Эти части изображений затем были размыты в наборе изображений, и набор был использован для второго раунда обучения.

«Это заставляет систему искать идентификаторы в другом месте. И, используя эту дополнительную информацию, она становится более детальной в своей классификации», – сказала Талавера Мартинес.

Новая система хорошо работала в стандартных наборах изображений и была успешной в изображениях, собранных от носимых камер.

«Наш режим обучения дает нам результаты, аналогичные другим подходам, но он намного проще и требует меньше вычислительного времени», – сказала она.

Предыдущие попытки увеличить детальную классификацию были сосредоточены на комбинации разных наборов СНС, но новый подход намного легче.

«Это исследование дало нам лучшее понимание того, как эти СНС учатся, и это помогло нам улучшить программу обучения», – сказала Талавера Мартинес.