Des fractales informatiques illimitées peuvent aider à entraîner l'IA à voir

Mme Tech | Unsplash

La plupart des systèmes de reconnaissance d'images sont entraînés à l'aide de grandes bases de données contenant des millions de photos d'objets du quotidien, des serpents aux shakes en passant par les chaussures. Avec une exposition répétée, les IA apprennent à distinguer un type d'objet d'un autre. Maintenant, des chercheurs au Japon ont montré que les IA peuvent commencer à apprendre à reconnaître des objets du quotidien en étant formées sur les fractales générées par ordinateur plutôt.

C'est une idée bizarre mais ça pourrait être un gros problème. Génération automatique des données d'entraînement est une tendance passionnante dans l'apprentissage automatique. Et l'utilisation d'une quantité inépuisable d'images synthétiques plutôt que de photos extraites d'Internet évite les problèmes avec les ensembles de données artisanaux existants.

Problème d'entraînement : La pré-formation est une phase au cours de laquelle une IA acquiert certaines compétences de base avant d'être formée sur des données plus spécialisées. Les modèles pré-entraînés permettent à davantage de personnes d'utiliser une IA puissante. Au lieu de devoir former un modèle à partir de zéro, ils peuvent adapter un modèle existant à leurs besoins. Par exemple, un système de diagnostic d'analyses médicales peut d'abord apprendre à identifier les caractéristiques visuelles de base, telles que la forme et le contour, en étant préformé sur une base de données d'objets du quotidien, tels que ImageNet , qui contient plus de 14 millions de photos. Ensuite, il sera affiné sur une plus petite base de données d'images médicales jusqu'à ce qu'il reconnaisse les signes subtils de la maladie.

Histoire connexe

L'IA doit faire face à son problème de travailleur invisible Les modèles d'apprentissage automatique sont formés par des travailleurs en ligne peu rémunérés. Ils ne vont pas disparaître, mais nous pouvons changer leur façon de travailler, déclare Saiph Savage.

Le problème est que l'assemblage manuel d'un ensemble de données comme ImageNet prend beaucoup de temps et d'efforts. Les images sont généralement étiquetées par crowdworkers mal payés . Les ensembles de données peuvent également contenir sexiste ou des étiquettes racistes qui peuvent biaiser un modèle de manière cachée, ainsi que des images de personnes qui ont été incluses sans leur consentement. Il existe des preuves que ces préjugés peuvent s’infiltrer même en préformation .

Formes naturelles : Les fractales peuvent être trouvées dans tout, des arbres et des fleurs aux nuages ​​et aux vagues. Cela a amené l'équipe de l'Institut national des sciences et technologies industrielles avancées (AIST) du Japon, de l'Institut de technologie de Tokyo et de l'Université de Tokyo Denki à se demander si ces modèles pourraient être utilisés pour enseigner à un système automatisé les bases de la reconnaissance d'images, au lieu d'utiliser des photos. d'objets réels.

Les chercheurs ont créé FractalDB, un nombre infini de fractales générées par ordinateur. Certains ressemblent à des feuilles; d'autres ressemblent à des flocons de neige ou à des coquilles d'escargots. Chaque groupe de motifs similaires a automatiquement reçu une étiquette. Ils ont ensuite utilisé FractalDB pour pré-entraîner un réseau neuronal convolutif, un type de modèle d'apprentissage en profondeur couramment utilisé dans les systèmes de reconnaissance d'images, avant de terminer sa formation avec un ensemble d'images réelles. Ils ont constaté qu'il fonctionnait presque aussi bien que les modèles formés sur des ensembles de données de pointe, y compris ImageNet et Des endroits , qui contient 2,5 millions d'images de scènes extérieures.

Est-ce que ça marche? Anh Nguyen de l'Université d'Auburn en Alabama, qui n'a pas participé à l'étude, n'est pas convaincu que FractalDB est encore à la hauteur d'ImageNet. Il a étudié comment les motifs abstraits peuvent confondre les systèmes de reconnaissance d'images . Il y a un lien entre ce travail et des exemples qui trompent les machines, dit-il. Il aimerait explorer plus en détail le fonctionnement de cette nouvelle approche. Mais les chercheurs japonais pensent qu'en modifiant leur approche, des ensembles de données générés par ordinateur comme FractalDB pourraient remplacer ceux qui existent déjà.

Pourquoi les fractales : Les chercheurs ont également essayé de former leur IA à l'aide d'autres images abstraites, y compris celles produites à l'aide de Bruit de Perlin , qui crée des motifs mouchetés, et Courbes de Bézier , un type de courbe utilisé en infographie. Mais les fractales ont donné les meilleurs résultats. La géométrie fractale existe dans la connaissance de base du monde, déclare l'auteur principal Hirokatsu Kataoka à l'AIST.

cacher