ماشین هایی که همانند انسان یاد می گیرند

الگوریتم هایی که می توانند با نمونه های کمتر اشیا را تشخیص دهند و نه از میلیونها نمونه، شناخت انسان را بهتر مدل می نمایند.

سیستم های تشخیص اشیا در حال بهبود قابل توجهی هستند و در مورد سیستم تشخیص چهره فیس بوک به صورت ترسناکی بهبود یافته اند.

اما این سیستم ها معمولا با میلیونها نمونه بصری اموزش داده شده اند که با روشی که انسان یاد میگیرد تفاوت بسیاری دارد. انسان با دیدن 2 یا 3 تصویر از یک شی میتواند نمونه های دیگر از آن شی را تشخیص دهد.

4 سال پیش گروه Tomaso Poggio’s در موسسه McGovern ام.آی.تی که در زمینه تحقیقا مغزی فعال است شروع به توسعه مدلی محاسباتی جدید از نمایه های بصری نمودند که در آن نشان دهند مغز انسان دقیقا چه کاری انجام میدهد. در ادامه این گروه نشان دادند سیستم های یادگیری که از مدل آنها برای تشخیص اشیا استفاده می کنند با تنها چند نمونه برای آموزش میتواند به صورت کاملا کارامد عمل کنند.

در مقالات ارایه شده و همچنین مقاله دیگری که در PLOS Computational Biology آنها نشان دادند که جنبه های مختلف مدلشان با شواهد تجربی این که مغز چگونه کار میکند سازگار است.

بر اساس گفته های Poggio “اگر تصویری از شما در فاصله قابل توجه به کامپیوتر داده شود و در مرحله بعد تصویری از شما در فاصله متفاوت به کامپیوتر داده شود این دو تصویر از یکدیگر تفاوت زیادی خواهند داشت و روش های موجود امکان پاسخ گویی به آن را نخواهند داشت و باید نسخه ها و نمونه های بیشتر از حالت های ممکن به ماشین در زوایای مختلف و حتی معکوس به کامپیوتر داده شود تا درست عمل کند”

یک نمایه غیر متنوع و ثابت از تصویر به نمونه ای گفته می شود که از شاخصه هایی همچون اندازه، موقعیت و چرخش مصون باشد. کارشناسان حوزه بینایی ماشین روش های مختلفی برای این مساله ارایه کرده اند ولی گروه Poggio با چالشی نومربوط به انچه مغز انسان کار می کنند در این زمینه مواجه هستند.

افزودن دیدگاه