Si vous avez fait le Mannequin Challenge, vous faites maintenant avancer la recherche en robotique

Catégorie: Intelligence artificielle Posté 26 juin

Repensez à Internet en 2016. Avez-vous de vagues souvenirs du Mannequin Challenge ? Eh bien, la tendance virale de YouTube a maintenant été utilisée pour entraîner un réseau de neurones à comprendre les scènes 3D.

Le contexte: Nous sommes naturellement bons pour interpréter les vidéos 2D comme des scènes 3D, mais les machines doivent apprendre à le faire. C'est une compétence utile à avoir : la capacité de reconstruire la profondeur et la disposition d'objets en mouvement libre peut aider les robots à manœuvrer dans un environnement inconnu. C'est pourquoi le défi a longtemps captivé les chercheurs en vision par ordinateur, en particulier dans le contexte des voitures autonomes.

Les données: Pour aborder ce problème, une équipe de Google AI s'est tournée vers un ensemble de données inattendu : des milliers de vidéos YouTube de personnes réalisant le Mannequin Challenge. (S'il vous arrivait de passer à côté de vous à ce moment-là, cela impliquait de rester aussi immobile que possible pendant que quelqu'un se déplaçait autour de vous, filmant la pose sous tous les angles.) Ces vidéos se trouvent également être une nouvelle source de données pour comprendre la profondeur d'un Image 2D.

La méthode: Les chercheurs ont converti 2 000 des vidéos en images 2D avec des données de profondeur haute résolution et les ont utilisées pour former un réseau de neurones. Il a ensuite été en mesure de prédire la profondeur des objets en mouvement dans une vidéo avec une précision beaucoup plus élevée que ce qui était possible avec les méthodes de pointe précédentes. La semaine dernière, les chercheurs ont été récompensés une mention honorable du meilleur article lors d'une importante conférence sur la vision par ordinateur.

Participants inconnus : Les chercheurs ont également publié leur ensemble de données pour soutenir les recherches futures, ce qui signifie que des milliers de personnes qui ont participé au Mannequin Challenge continueront sans le savoir de contribuer à l'avancement de la vision par ordinateur et de la recherche en robotique. Bien que cela puisse surprendre certains, c'est la règle dans la recherche sur l'IA plutôt que l'exception.

Bon nombre des ensembles de données les plus fondamentaux du domaine, y compris Fei-Fei Li ImageNet , qui a lancé la révolution de l'apprentissage en profondeur, ont été compilées à partir de données accessibles au public extraites de Twitter, Wikipedia, Flickr et d'autres sources. La pratique est motivée par l'immense quantité de données nécessaires pour former des algorithmes d'apprentissage en profondeur et n'a été exacerbée que ces dernières années alors que les chercheurs produisent des modèles toujours plus grands pour obtenir des résultats révolutionnaires.

Confidentialité des données: Comme nous l'avons déjà écrit, cette pratique de grattage des données n'est ni bonne ni mauvaise, mais remet en question les normes relatives au consentement dans l'industrie. Alors que les données deviennent de plus en plus banalisées et monétisées, les technologues doivent se demander si la façon dont ils utilisent les données de quelqu'un correspond à l'esprit qui les a initialement générées et partagées.