深度学习系统在分心时学习效果更好

来自荷兰和西班牙的计算机科学家已经确定了深度学习系统在分心时学习效果更好。该人工智能（AI）针对图像识别，可以学习识别周围环境。该团队在强迫系统关注次要特征后，能够简化学习过程。

卷积神经网络

深度学习系统依赖于卷积神经网络（CNNs），这是人工智能系统的一种深度学习形式。

Estefanía Talavera Martinez 是荷兰格罗宁根大学伯努利数学、计算机科学和人工智能研究所的讲师和研究员。

“这些 CNNs 很成功，但我们并不完全理解它们的工作原理”，Talavera Martinez 说。

Talavera Martinez 使用 CNNs 分析来自可穿戴摄像头的图像，同时研究人类行为。她的部分工作围绕着研究人类与食物的互动，因此她试图让系统识别人们遇到食物的不同环境。

“我注意到系统在某些图片的分类中出现错误，并且需要知道为什么会发生这种情况”，她说。

她使用了热力图并分析了 CNNs 用于识别环境的图像部分。

“这导致了一个假设，即系统没有查看足够的细节”，她说。

一个例子是，一个 AI 系统教会自己使用马克杯来识别厨房。在这个例子中，AI 可能会错误地将客厅和办公室等区域归类为厨房，因为这些区域也经常有马克杯。

Talavera Martinez 和她的团队随后着手开发解决方案。她的同事包括 David Morales 和 Beatriz Remeseiro，均来自西班牙。提出的解决方案是让系统分心，忽略主要目标。

开发解决方案

该团队使用标准图像集（如飞机或汽车）训练 CNNs，并通过热力图确定图像中用于分类的部分。然后，他们在图像集中模糊这些部分，并使用模糊的图像集进行第二轮训练。

“这迫使系统寻找其他识别特征。通过使用这些额外信息，它变得更加细致地进行分类”，Talavera Martinez 说。

新系统在标准图像集和来自可穿戴摄像头的图像中都表现良好。

“我们的训练方案给出了与其他方法类似的结果，但更简单，需要的计算时间更少”，她说。

之前的尝试旨在增加细粒度分类，重点是组合不同的 CNNs 集，但新开发的方法更轻量级。

“这项研究让我们更好地了解这些 CNNs 如何学习，并帮助我们改进训练程序”，Talavera Martinez 说。