تصاویر تار به یادگیری بهتر هوش مصنوعی کمک می نماید
دانشمندان هلندی و اسپانیایی در زمینه کامپیوتر، راهی برای آموزش بهتر و سریع تر سیستم هایی که با هوش مصنوعی کار می کنند، یافتند.
به گزارش بیست و یکم به نقل از ایسنا و به نقل از اینوویشن اوریجینز، در خیلی از سیستم های مبتنی بر "یادگیری عمیق" نحوه ی رخ دادن روند یادگیری معلوم نیست. حالا پژوهشگران دریافتند که چگونه یک سیستم تشخیص تصاویر می تواند در مورد محیط خود بیاموزد. پژوهشگران با متمرکز کردن سیستم بر روی اطلاعات کم اهمیت تر این سیستم یادگیری را ساده سازی کردند.
به قول دانشگاه گرونیگن(Groningen)، سیستم مورد نظر نوعی شبکه ی عصبی پیچشی(CCNs) است.
شبکه عصبی پیچشی گونه ای از یادگیری عمیق در هوش مصنوعی است که از زیست شناسی نشات گرفته است. این سیستم ها تشخیص تصاویر را به لطف ارتباط میان هزاران "نورون" می آموزند. این سیستم به شکلی عملکرد مغز را شبیه سازی می کند. به قول استفانیا تالاورا مارتینز(Estefania Talavera Martinez)، محقق دانشگاه گرونینگن، نحوه ی کار این شبکه ی عصبی تا حالا نامشخص بود.
او از این سیستم جهت بررسی رفتار انسان و تحلیل تصاویری که توسط دوربین دستی گرفته شده بود بهره برده و به این وسیله تحقیقات خود در مورد نحوه ی واکنش افراد به غذا را انجام داده است. او همین طور می خواست این سیستم هوش مصنوعی موقعیت های مختلفی که افراد در آن در تماس با غذا قرار می گیرند را تشخیص دهد. مارتینز می گوید: در این پروسه من متوجه بروز اشکالاتی در تشخیص محیط تصاویر توسط این سیستم شدم و می خواستم علت بروز این خطاها را بدانم.
او به بررسی بخش هایی از تصویر که توسط شبکه عصبی پیچشی برای تشخیص موقعیت استفاده می شد پرداخت و به این نظریه رسید که این سیستم ها از جزییات کافی در تصویر استفاده نمی کنند. او توضیح می دهد: برای مثال اگر سیستم هوش مصنوعی یک لیوان را با محیط آشپزخانه مرتبط بداند بدین سبب در دسته بندی اتاق نشیمن و دفتر کار که در آنها نیز از لیوان استفاده می شود، گرفتار مشکل خواهد شد.
برای حل این مشکل مارتینز و همکارش دیوید مورالز(David Morales) و بیتریز رمسیرو(Beatriz Remeseiro) تصمیم گرفتند توجه هوش مصنوعی را از اهداف اصلی خود منحرف کنند.
آنها شبکه ی مصنوعی پیچشی را با بهره گیری از تصاویر استانداردی از هواپیماها و ماشین ها آموزش دادند. سپس بخش هایی که هوش مصنوعی برای طبقه بندی تصاویر و تشخیص محیط استفاده می کرد را تار کردند. آنها این سیستم را به استفاده از سایر بخش های تصویر برای تشخیص مجبور کردند و با اضافه شدن این داده ها، هوش مصنوعی قادر به طبقه بندی بهتر تصاویر شد. به قول پژوهشگران این روش آموزش هوش مصنوعی ساده تر است و زمان کمتری می برد.
این مطلب بیست و یکم را می پسندید؟
(0)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب