¿Cómo debería entrenar su sistema de inteligencia artificial? Esta pregunta es pertinente, porque muchos sistemas de aprendizaje profundo siguen siendo cajas negras. Científicos informáticos de los Países Bajos y España han determinado cómo un sistema de aprendizaje profundo adecuado para el reconocimiento de imágenes aprende a reconocer su entorno.Pudieron simplificar el proceso de aprendizaje al forzar el enfoque del sistema hacia características secundarias.
Las redes neuronales convolucionales CNN son una forma de aprendizaje profundo bioinspirado en inteligencia artificial. La interacción de miles de 'neuronas' imita la forma en que nuestro cerebro aprende a reconocer imágenes. 'Estas CNN son exitosas, pero noentender completamente cómo funcionan '', dice Estefanía Talavera Martínez, profesora e investigadora del Instituto Bernoulli de Matemáticas, Ciencias de la Computación e Inteligencia Artificial de la Universidad de Groningen en los Países Bajos.
comida
Ella misma ha utilizado las CNN para analizar imágenes tomadas por cámaras portátiles en el estudio del comportamiento humano. Entre otras cosas, Talavera Martínez ha estado estudiando nuestras interacciones con la comida, por lo que quería que el sistema reconociera los diferentes entornos en los que las personasencuentro comida. 'Noté que el sistema cometía errores en la clasificación de algunas imágenes y necesitaba saber por qué sucedió esto'.
Mediante el uso de mapas de calor, analizó qué partes de las imágenes fueron utilizadas por las CNN para identificar el entorno. 'Esto llevó a la hipótesis de que el sistema no estaba observando suficientes detalles', explica. Por ejemplo, si una IAEl sistema ha aprendido a usar tazas para identificar una cocina, clasificará erróneamente salas de estar, oficinas y otros lugares donde se usan tazas. La solución que fue desarrollada por Talavera Martínez y sus colegas David Morales Instituto Andaluz de Investigación en Ciencia de Datos y ComputacionalIntelligence, Universidad de Granada y Beatriz Remeseiro Departamento de Informática, Universidad de Oviedo, ambas en España, es para distraer al sistema de sus objetivos principales.
borroso
Entrenaron a CNN utilizando un conjunto de imágenes estándar de aviones o automóviles e identificaron a través de mapas de calor qué partes de las imágenes se usaron para la clasificación. Luego, estas partes se difuminaron en el conjunto de imágenes, que luego se utilizó para una segunda ronda de capacitación. 'Esto obliga al sistema a buscar identificadores en otra parte. Y al usar esta información adicional, se vuelve más fina en su clasificación'.
El enfoque funcionó bien en los conjuntos de imágenes estándar, y también fue exitoso en las imágenes que Talavera Martínez había recopilado de las cámaras portátiles. 'Nuestro régimen de entrenamiento nos da resultados similares a otros enfoques, pero es mucho más simple y requiere menos tiempo de computación. "Los intentos anteriores de aumentar la clasificación detallada incluyeron la combinación de diferentes conjuntos de CNN. El enfoque desarrollado por Talavera Martínez y sus colegas es mucho más ligero." Este estudio nos dio una mejor idea de cómo aprenden estas CNN, y eso nos ha ayudadopara mejorar el programa de formación. '
Fuente de la historia :
Materiales proporcionado por Universidad de Groningen . Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :