この記事の内容
アルゴリズムのシーンの一般的なコンテキストを定義する理由は、個々のオブジェクトを見つけるよりもはるかに複雑です
神話1：シーン認識は、そこにある物体の単なる合計ではない
人工知能が重要なオブジェクトを正確に環境を決定する必要があるという共通の誤解主張。実際には、空間の分離されたオブジェクトと意味的な理解をローカライズすることは、根本的に異なる計算タスクを表します。古典的なオブジェクト検出器は、クローズドコンターとローカルパターンを検索します。: 車のホイール、椅子のバック、またはクロックフェイス。しかし、現代的なものの単純なリストに減らない、世界的構成、照明、テクスチャグラデーション、空間的な関係によってシーンが形成されます。砂浜にオフィスチェアを置くか、寝室に電子レンジを置くと、ネイブの分類器は、1つの優勢なオブジェクトに基づいてスペース全体を誤って解釈するかもしれません。完全な理解は、いわゆる空間の封筒を分析するためにモデルを必要とします, 開放性の程度を含みます, 自然性, 深さ, 風景の荒さ.
GISTや空間ピラミッドのマッチングなど、低レベルの記述子を使って問題を解決しようとしたエンジニア。これらのアルゴリズムは、フレームの一般的な幾何学をキャプチャしようとしましたが、現実世界の変動と直面したときに失敗しました。ビューポイント、影、部分的な閉塞の変化。複雑なニューラルネットワークは、階層的な機能を抽出し始めてアプローチを変更しました。低層では、ネットワークは基本的なラインとテクスチャをキャプチャします。 中間層 – 表面フラグメント; および上層 – 複雑なコンテキスト表現。研究が示すとおり シーンコンテクストは、包括的な階層分析が必要, 分離されたオブジェクトの基本的な検出を上回る. モデルは単にオブジェクトの存在ではなく、背景構造に相対的にその局所的な分布と堆積的な一貫性の評価.
研究では、シーン指向のニューラルネットワークでは、内部フィルタは、水平線、天井構造、または葉配列などの広範な空間領域に活性化するだけでなく、明確にシルエットを概説した。オートノマイズ車やサービスロボティクスが障害認識にのみ依存しない理由を説明しています。操縦者に関する安全な決定を行うには、システム全体として位置タイプを分類する必要があります:高速道路、住宅エリア、または建設現場は完全に異なる行動モデルを指示します。一般的な文脈を理解しなければ、ローカルオブジェクトは機能的意義を失い、マシンビジョンシステムにとって重要なリスクを生成します。
神話2：ImageNetで学習したモデルが、シーンも同じように理解できるとは限らない
多くの開発者は、古典的なImageNetのデータセットで大規模な事前トレーニングがモデルの汎用性を保証することを誤って信じています。ImageNetは、オブジェクト中心の画像の周りに歴史的に作成されました。ターゲット要素は通常、フレームの中央部分を占めるところ、明確なコントラストがあり、複雑な背景から分離されています。そのようなネットワークが空間の機能的な目的を決定するタスクに遭遇した場合、内部表現は特定の機能に細心の注意を払い出すようにします。シーン認識は、クラス境界がぼやけられ、背景が個々のフォアグラウンドオブジェクトよりもより有用な情報を運ぶセマンティックカテゴリの完全に異なる分布密度を必要とします。
この障壁を除去するために、研究者は専門化されたデータベースを、主の1つ開発しました Places2(ザクスクエア) データセット。リビングルームやキッチンから森や産業のハンガーまで、数百もの機能環境に分散した画像が10万件以上を網羅しています。オブジェクトのコレクションとは異なり、ここの重点は、人間の視覚認識の場所と原則の機能目的のためにシフトされます。最近のベンチマークでは、75,000 Places2画像のサンプルに基づいて、科学者たちは15の異質なシーンタイプを分類する様々な形態のアーキテクチャの有効性を比較しました。結果が確認されたこと 専用データセットは、モデルの精度を根本的に変更します, 神経ネットワーク フィルターは、ランダムな背景のアーティファクトではなく、環境の全体的な幾何学的マーカーに調整することができます.
シーン中心のデータに関するトレーニングは、モデルを強制して、イメージエリア全体で注目を発信します。ImageNetの分類器は、犬毛皮の質感やカップの形に焦点を当てている間、シーン指向のネットワークは壁床の接合部、リクライニング道の観点線、または空の親相木のカノピーの分布で活性化します。Places2のような配列で微調整することなく転送学習を試みることで、標準でない視点で作業する際に20～30%の全体的なアルゴリズムの堅牢性が低下します。空間的意味論は、平面の相対的な配置のために考慮するアルゴリズムを必要とし、オブジェクトと空間タスク間の重量を直接複製することは不可能です。
神話3：すべての現代的なCNNが、文脈を同じ精度で分類できるわけではない
トレーニングサンプルの量が十分に大きい場合、特定の構成アーキテクチャの選択が重要ではないステレオタイプがあります。しかし、レイヤーの構成、ネットワークの深さ、および機能集計メカニズムは、モデルのコンテキストパターンを一般化する能力に大きな影響を与えます。比較実験では、研究者はPlaces2データセットの15カテゴリに3つの異なる構造をテストしました。古典的なVGG-16アーキテクチャ、異なるスケールの関与の並列ブロックを備えた高度なInception-V3ネットワーク、および特殊なカスタムCNN。その結果を明らかにアプローチ間の技術ギャップを実証しました。
古典的なVGG-16ネットワークは、その直面的なシーケンシャル構造と中間層の限られた受容体フィールドによる79.8%のレベルで精度を実証しました。カスタムのコンボレーションモデルは、89.3%を達成し、タスクの特定物への良好な適応を示すが、柔軟性に収まる。試験の未処理のリーダーは、Inception-V3アーキテクチャで、印象的な97.3%認識精度を記録しました。このような高い結果は、インセプションモジュールの能力によって、小さなローカル詳細から大規模な照明勾配まで、さまざまな空間周波数の視覚的なパターンを並行的に処理することです。建築選択は、特に高レベルの変動性を持つシナリオで、最終的な精度を決定します。
基本的な精度を超えて、リアルタイムで計算効率が重要な要因です。監視やロボティクスシステムでは、限られたオンボードプロセッサリソースの制約の下、ミリ秒単位で予測を生成する必要があります。並行して分岐するディープネットワークは、二次ノイズに過度の影響を回避し、パラメータ冗長性を低下させます。これは、受容体フィールドを最適化することなく、レイヤーの数の機械的増加が線形品質の向上を提供していないことを証明します。建築のニュアンスを理解することで、エンジニアは推論速度と複雑な景観シーンの分類の堅牢性を正確にバランスさせることができます。
神話4：データ拡張は複雑な環境の認識を必ずしも歪めない
開業医の中には、攻撃的なデータ拡張、スケーリング、ヒューシフト、またはクロップといった問題が起きていることが多いため、シーン内で微妙なセマンティックな接続を破壊することができます。色のパレットを変更するこのビューの主張の支持者は、アルゴリズムを混乱させることにより、ノノンで砂漠に「サンセットビーチ」を回すことができます。実際には、厳密な帝国テストは反対を証明します:適切な前処理なしで、神経ネットワークは訓練のサンプルに固有の射撃条件に過度に頼る傾向があり、天候やセンサーのタイプが変更するとき質の壊滅的な低下につながります。
Places2のデータセットの広範なテストでは、研究者は、スケーリング、明るさおよび対照の正常化、またクロム化の訂正を含む広範囲の拡張パイプラインを適用しました。結果は、予備的な拡張が過度のエラーを低減し、スペースの不変構造特性を抽出するモデルを許したことを確認しました。たとえば、キッチンは人工照明の暖かさに関係なくキッチンを残し、高速道路は霧や明るい太陽の重要な機能を保持します。このように、 適切な拡張は視覚騒音への堅牢性を高めます、ネットワークを教えて、表面的な光学歪みを無視し、安定した地質パターンに焦点を当てます。
空間のクリッピングとランダムな回転は、絶対ピクセル座標ではなく、オブジェクトと平面の相対的な配置で作動させるための、対比のレイヤーを強制的に強制的に強制します。実際のシナリオでは、モバイルロボットやドローンのカメラは、常に振動、まぶしさ、そしてぼろのフレームに遭遇します。モデルが完全に整列された写真だけに訓練されている場合、カメラの傾き角度のわずかな偏差でエラーの確率が増加します。拡張は、脆弱な数学の分類器を欠陥耐性のある機械ビジョンシステムに変形させる基本的な正規化ツールとして機能し、予測不可能な現実的な条件に対応します。
神話5：ニューラルネットワークは人間の脳とまったく同じ方法で空間を認識するわけではない
生物学的ニューロンと人工層のアナログは、アルゴリズムが「参照」する世界が人間に似ている錯覚を作成します。人間の脳は、トップダウンの注意メカニズム、直観的な物理学、および以前の経験の定数の統合のおかげでミリ秒のシーンカテゴリを決定します。不慣れな物体に散らばっても、空間の機能的な意味に頼る薄暗い光にあるとしても、部屋の目的を即座に理解します。高メトリックにもかかわらず、ニューラルネットワークは、数字のマトリックス間の統計的相関に基づいて機能します。
基本的差異を明らかにするために、人間の参加者と受け止め試験を含む研究。注目マップの比較では、人間の視線が主に相互作用のセマンティックセンターに固定していることが示されています。機能的なゾーン、ドア、ヒューマンアクション。反面では、複雑なネットワークは、人間の論理の観点から、カーペットパターンやガラス反射などの高コントラストのテキスト領域にわたって重量を分配することができます。科学的テストは、そのことを強調する 機械ビジョンは統計パターンに依存しています 空間の物理的性質の概念的理解ではなく。
合成または視覚的にパラドキシカルな画像が入力として供給されるとき、例えば、重力が壊れた部屋や変容した家具は、基本的なカテゴリの理解を維持しながら、すぐに異常に気づく。似たような状況で、矛盾するネットワークは、しばしば予測不可能なエラーを生成し、典型的な影パターンによる床で天井を混乱させます。現在の技術の主な制限点:地域とグローバル記述子の集計で複雑な層が加速するが、意識論と原因の欠如。この障壁を克服するには、ニューラルネットワーク認識と象徴的な知識グラフを組み合わせたハイブリッドアーキテクチャの実装が必要です。
出典
- Springer Professional(ザクスクエア) — Places2データセットでシーン認識のための、複雑なニューラルネットワークの評価に関する科学的出版。
- MIT Places2 Database(ザクスクエア) — MITコンピュータサイエンスと人工知能研究室のシーン中心のPlaces2データセットの公式ポータルです。
- MDPI Applied Sciences(ザクスクエア) — シーン分類における人的注目のメカニズムと変容神経ネットワークの比較の研究。