Расширение возможностей компьютерного зрения с помощью физически-осведомленного ИИ

Искусственный интеллект, безусловно, оставил неизгладимый след в нашей жизни. В пионерской попытке еще больше повысить возможности ИИ, исследователи из UCLA и лаборатории исследований армии США представили уникальный подход, который сочетает физически-осведомленность с данными, управляемыми техниками в технологиях компьютерного зрения, работающих на ИИ.

Исследование, опубликованное в Nature Machine Intelligence, предлагает новаторскую гибридную методологию, направленную на совершенствование того, как машины, работающие на ИИ, воспринимают, взаимодействуют и реагируют на свою среду в реальном времени — что крайне важно для автономных транспортных средств и роботов, выполняющих точные действия.

Гибридный подход для физически-осведомленного ИИ

Традиционно компьютерное зрение, область, которая позволяет ИИ понимать и делать выводы о свойствах физического мира из изображений, в основном фокусировалась на данных, полученных с помощью машинного обучения. Одновременно физически-основанные исследования пытались раскрыть физические принципы, лежащие в основе многих задач компьютерного зрения. Однако включение понимания физики в область нейронных сетей оказалось сложной задачей.

В значительном прорыве исследование UCLA направлено на объединение глубокого понимания, полученного из данных, и реального опыта физики, создавая таким образом гибридный ИИ с повышенными возможностями. Ачута Кадамби, соответствующий автор исследования и помощник профессора электротехники и компьютерных наук в школе инженерии UCLA Samueli, объясняет: “Физически-осведомленные формы вывода могут позволить автомобилям ездить более безопасно или хирургическим роботам быть более точными.”

Включение физики в компьютерное зрение ИИ

Исследовательская команда очерчивает три инновационных способа включения физики в компьютерное зрение ИИ:

1. Введение физики в наборы данных ИИ: Это предполагает标ирование объектов дополнительной информацией, такой как их потенциальная скорость или вес, подобно персонажам в видеоиграх.
2. Интеграция физики в архитектуру сети: Этот подход предполагает пропуск данных через сетевой фильтр, который кодирует физические свойства в то, что захватывают камеры.
3. Включение физики в функцию потерь сети: Здесь знания, основанные на физике, используются для помощи ИИ в интерпретации обучающих данных на основе его наблюдений.

Эти экспериментальные направления исследований уже дали обещающие результаты в совершенствовании компьютерного зрения. Например, гибридный подход позволяет ИИ более точно отслеживать и предсказывать движение объекта и может производить точные, высококачественные изображения из сцен, осложненных неблагоприятной погодой.

Будущее физически-осведомленного ИИ

Исследователи оптимистично настроены на то, что дальнейшие достижения в этом двойном подходе могут привести глубокие обучающие ИИ к самостоятельному изучению законов физики. Это может открыть новую границу в технологиях компьютерного зрения, работающих на ИИ, проложив путь к более безопасному и точному применению ИИ в различных секторах, включая автономные транспортные средства и хирургическую робототехнику.

Исследование, поддержанное частично грантом от лаборатории исследований армии США, было написано в соавторстве с компьютерным ученым лаборатории исследований армии США Селсо де Мело, и членами факультета UCLA Стефано Соатто, Чо-Джуй Хсье и Мани Шривастава. Дополнительное финансирование было предоставлено грантами от Национального научного фонда, программы молодых исследователей армии, агентства перспективных исследований и разработок обороны, Intrinsic, компании Alphabet, и Amazon.