تحقیقات نشان دهنده چگونه AI می بیند از طریق شیشه به دنبال

ایتاکا, n. y. - همه چیز متفاوت هستند در طرف دیگر از آینه.

متن عقب مانده است. ساعتهای اجرا در خلاف جهت عقربه. اتومبیل رانندگی در طرف اشتباه از جاده ها است. راست دست شدن دست چپ.

شیفته چگونه بازتاب تغییر تصاویر در, ظریف و نه چندان ظریف راه یک تیم از محققان دانشگاه کرنل با استفاده از هوش مصنوعی به بررسی آنچه در مجموعه اصل جدا از بازتاب خود. الگوریتم خود را آموخته به انتخاب کنید تا در غیر منتظره سرنخ ها از جمله قطعات زل زل نگاه کردن جهت و جای تعجب ریش - یافته ها با مفاهیم آموزش و یادگیری ماشین مدل و تشخیص تصاویر جعلی.

"جهان است و نه متقارن است. اگر شما تلنگر یک تصویر تفاوت وجود دارد" گفت: نوح Snavely استادیار علوم کامپیوتر در دانشگاه کورنل تکنولوژی و نویسنده ارشد این مطالعه "بصری دستسانی" ارائه شده در سال 2020 کنفرانس بینایی کامپیوتر و تشخیص الگو برگزار شد عملا ژوئن 14-19. "من شیفته این اکتشافات می تواند شما را با راه های جدید از خوشهچین اطلاعات است."

Zhiqui لین است که این مقاله نویسنده اول; co-نویسنده آبه دیویس استادیار علوم کامپیوتر و کرنل فناوری پژوهشگر فوق دکترا Jin Sun.

افتراق بین تصاویر اصلی و بازتاب شگفت انگیزی آسان برای هوش مصنوعی Snavely گفت: - پایه های عمیق الگوریتم یادگیری می توانید به سرعت یاد بگیرند که چگونه به طبقه بندی اگر یک تصویر شده است بدبختانه با 60% تا 90% دقت بسته به نوع تصاویر استفاده می شود به آموزش الگوریتم. بسیاری از سرنخ آن میدارد تا در آنها دشوار است برای انسان ها توجه کنید.

برای این مطالعه تیم توسعه فن آوری برای ایجاد یک نقشه حرارتی است که نشان می دهد بخش هایی از تصویر را که مورد علاقه الگوریتم به دست آوردن بینش چگونه آن را می سازد این تصمیمات.

آنها کشف کردند جای تعجب نیست که شایع ترین استفاده از سرنخ متن است که به نظر می رسد متفاوت رو به عقب در هر زبان نوشته شده است. برای کسب اطلاعات بیشتر در آنها حذف تصاویر با متن از داده های خود را تنظیم و متوجه شد که بعد از مجموعه ای از ویژگی های این مدل متمرکز شامل ساعتهای مچی پیراهن یقه های (دکمه تمایل به در سمت چپ) چهره و تلفن - که اکثر مردم تمایل به حمل در دست راست خود را - به عنوان به خوبی به عنوان دیگر عوامل آشکار راست دست.

محققان شیفته الگوریتم تمایل به تمرکز بر روی چهره که به نظر نمی رسد بدیهی است که نامتقارن. "در برخی از راه آن به سمت چپ سوالات بیش از پاسخ" Snavely گفت.

آنها سپس با انجام مطالعه دیگری با تمرکز بر چهره و متوجه شد که نقشه حرارتی روشن در مناطق از جمله مو بخش چشم زل زل نگاه کردن - بسیاری از افراد به دلایل محققان نمی دانم زل زل نگاه کردن به سمت چپ در عکس پرتره - و ریش.

Snavely گفت که او و اعضای تیم خود را هیچ ایده چه اطلاعاتی الگوریتم پیدا کردن در ریش, اما آنها فرض است که راه مردم شانه و یا اصلاح چهره خود را می تواند آشکار handedness.

"این یک قالب بصری کشف" Snavely گفت. "اگر شما می توانید یادگیری ماشین در مقیاس میلیون ها و میلیون ها نفر از تصاویر, شاید شما می توانید شروع به کشف حقایق جدید در مورد جهان است."

هر یک از این سرنخ ها به صورت جداگانه ممکن است غیر قابل اعتماد, اما این الگوریتم می تواند در ایجاد اعتماد به نفس بیشتر با ترکیب چند سرنخ يافتهها نشان داد. این پژوهشگران همچنین دریافتند که این الگوریتم با استفاده از سطح پایین سیگنال های ناشی از راه دوربین های پردازش تصاویر برای آن تصمیم گیری.

هر چند مطالعه بیشتر مورد نیاز است این یافته ها می تواند تاثیر روش یادگیری ماشین مدل ها را آموزش داده است. این مدل نیاز به تعداد زیادی از تصاویر به منظور یاد بگیرند که چگونه به طبقه بندی و شناسایی تصاویر پس دانشمندان کامپیوتر اغلب با استفاده از بازتاب تصاویر موجود به طور موثر خود را می دهد.

بررسی این که چگونه این منعکس تصاویر متفاوت از اصل می تواند به فاش کردن اطلاعات در مورد ممکن است تعصبات در یادگیری ماشین است که ممکن است منجر به نتایج نادرست, Snavely گفت.

"این منجر به یک سوال باز برای کامپیوتر چشم انداز جامعه است که هنگامی که آن را خوب است برای انجام این کوه در می رم برای تقویت خود مجموعه و هنگامی که آن را نیست OK?" او گفت:. "من به امید این مردم را به فکر می کنم بیشتر در مورد این سوالات و شروع به توسعه ابزار برای درک اینکه چگونه آن را biasing الگوریتم."

درک چگونگی انعکاس تغییرات یک تصویر نیز می تواند کمک به استفاده از هوش مصنوعی برای شناسایی تصاویر شده اند که جعلی یا doctored -- یک موضوع از نگرانی رو به رشد در اینترنت.

"این است که شاید یک ابزار جدید و یا بینش است که می تواند مورد استفاده در جهان از تصویر پزشکی قانونی اگر شما می خواهید بگویید اگر چیزی واقعی است یا نه" Snavely گفت.

###

این پژوهش با حمایت در بخش, توسط خیر اریک اشمیت مدیر عامل سابق گوگل و وندی اشمیت.

سلب مسئولیت: AAAS و EurekAlert! مسئول صحت اخبار منتشر شده به EurekAlert! با کمک موسسات و یا برای استفاده از هر گونه اطلاعات از طریق EurekAlert سیستم.