Erinnern Sie sich an die Art von optischen Täuschungen, die Sie wahrscheinlich zum ersten Mal als Kind gesehen haben und die einige nutzen? Kombination von Farbe, Licht und Mustern, um Bilder zu erzeugen, die sich für uns als täuschend oder irreführend erweisen Gehirne? Es stellt sich heraus, dass solche Illusionen – bei denen die Wahrnehmung nicht mit der Realität übereinstimmt – tatsächlich eher eine Funktion des Gehirns als ein Fehler sein können. Und wenn man einer Maschine beibringt, dieselbe Art von Illusionen zu erkennen, kann dies zu einer intelligenteren Bilderkennung führen.
Das sagen Computer-Vision-Experten der Brown University waren fleißig daran gearbeitet. Sie bringen Computern bei, kontextabhängige optische Täuschungen zu erkennen und dadurch hoffentlich auch Erstellen Sie intelligentere, gehirnähnlichere Algorithmen für künstliches Sehen, die sich in der Realität als robuster erweisen Welt.
Empfohlene Videos
„Computer Vision ist allgegenwärtig geworden, von selbstfahrenden Autos, die ein Stoppschild analysieren, bis hin zu medizinischer Software, die im Ultraschall nach Tumoren sucht.“
David Mely, sagte einer der Kognitionswissenschaftsforscher, die an dem Projekt gearbeitet haben und jetzt beim Unternehmen für künstliche Intelligenz Vicarious arbeiten, gegenüber Digital Trends. „Allerdings weisen diese Systeme Schwächen auf, die darauf zurückzuführen sind, dass sie nach einem veralteten Bauplan für die Funktionsweise unseres Gehirns modelliert sind. Die Integration neu verstandener Mechanismen aus den Neurowissenschaften, wie sie in unserer Arbeit vorgestellt werden, kann dazu beitragen, diese Computer-Vision-Systeme sicherer zu machen. Ein Großteil des Gehirns ist nach wie vor kaum erforscht, und weitere Forschung an der Schnittstelle von Gehirn und Maschine könnte dazu beitragen, weitere grundlegende Fortschritte in der Computer Vision zu erzielen.“In ihrer Arbeit verwendete das Team ein Rechenmodell, um die Art und Weise zu erforschen und zu reproduzieren, wie Neuronen beim Betrachten einer Illusion miteinander interagieren. Sie erstellten ein Modell der Rückkopplungsverbindungen von Neuronen, das dem des Menschen entspricht und je nach Kontext unterschiedlich reagiert. Die Hoffnung ist, dass dies bei Aufgaben wie der Farbdifferenzierung hilfreich sein wird – zum Beispiel bei der Unterstützung von a Roboter zum Pflücken roter Beeren um diese Beeren auch dann zu identifizieren, wenn die Szene in rotes Licht getaucht ist, wie es bei Sonnenuntergang der Fall sein kann.
„Es gibt viele komplizierte Schaltkreise im Gehirn, die solche Formen der kontextuellen Integration unterstützen, und unsere Studie schlägt eine Theorie dafür vor.“ „Diese Schaltkreise funktionieren über verschiedene Empfangsfeldtypen hinweg und wie sich ihre Präsenz in Phänomenen offenbart, die optische Täuschungen genannt werden“, sagt Mely Fortsetzung. „Studien wie unsere, die Computermodelle verwenden, um zu erklären, wie das Gehirn sieht, sind notwendig, um bestehende Computer zu verbessern Vision-Systeme: Vielen von ihnen, wie den meisten tiefen neuronalen Netzen, fehlen noch die grundlegendsten Formen der Kontextualisierung Integration."
Obwohl das Projekt noch in den Kinderschuhen steckt, hat das Team das bereits übersetzt neuronalen Schaltkreis in ein modernes maschinelles Lernmodul. Als es bei einer Aufgabe im Zusammenhang mit der Konturerkennung und Konturverfolgung getestet wurde, übertraf die Schaltung die moderne Computer-Vision-Technologie bei weitem.
Empfehlungen der Redaktion
- Apple drosselt möglicherweise bereits die Vision Pro-Produktion
- K.I. führt eine Chip-Design-Revolution an und steht gerade erst am Anfang
- eBay setzt Computer Vision ein, um die Produkte der Verkäufer hervorzuheben
- Maschinelles Lernen? Neuronale Netze? Hier ist Ihr Leitfaden zu den vielen Varianten der KI.
Werten Sie Ihren Lebensstil aufDigital Trends hilft Lesern mit den neuesten Nachrichten, unterhaltsamen Produktrezensionen, aufschlussreichen Leitartikeln und einzigartigen Einblicken, den Überblick über die schnelllebige Welt der Technik zu behalten.
