تشخیص اشیا کوچک با مدل یادگیری عمیق آموزش دیده
تیم تحریریه- ۱۷ آذر ۱۴۰۰
هوش مصنوعی توانسته در پروسه تشخیص یک پرنده در تصویر نمره قبولی بگیرد. اما عملکردش زمانی که در تصویر صدها پرنده کوچک باشند، نمی‌تواند کار شناسایی را به خوبی انجام دهد. یی شانگ، استاد دانشکده مهندسی دانشگاه میسوری و تیم تحقیقاتی‌اش به مدت 3 سال کار کرده‌اند تا ببینند در هنگام تشخیص اشیا کوچک هوش مصنوعی تا چه اندازه می‌تواند بینایی و تواناییاش را بهبود ببخشد.
شانگ می‌گوید: «بینایی رایانه در سال‌های اخیر به دلیل یادگیری عمیق پیشرفت‌های بزرگی داشته است؛ تا جایی که دیگر تشخیص چهره به اوج توانمندی رسیده است و رایانه‌ها چهره را بهتر از انسان تشخیص می‌دهند. اما اگر قرار باشد هوش مصنوعی یک صورت کوچک در میان جمعیت را تشخیص دهد، یا یک جسم در میان شلوغی، حتی اگر تصویر شفاف نباشد و وضوح کمی داشته باشد، تشخیص دشوار می‌شود.»
آزمایشگاه شانگ در حال توسعه چندین روش یادگیری عمیق است که می‌تواند پرندگان و گونه‌های آن را در تصاویر هوایی گرفته شده توسط پهپاد، شناسایی کند. سال گذشته شانگ کمک مالی از وزارت حفاظت میسوری برای توسعه سیستم استفاده از هواپیماهای بدون سرنشین و یادگیری عمیق برای شمارش خودکار جمعیت پرندگان و گونه‌های آن‌ها را دریافت کرد.
برای این کار دانشآموزان به صورت دستی هر پرنده را در یک تصویر شناسایی و برچسب‌گذاری می‌کنند تا به هوش مصنوعی آموزش دهند که چه چیزی را باید جستجو کند، حتی وقتی که پرندگان تا حدی در تصویر پنهان هستند. البته که برچسب‌گذاری یک تصویر با صدها پرنده ساعت‌ها طول می‌کشد، اما کار را برای بهبود توانایی مدل یادگیری عمیق در تشخیص اشیا کوچک راحت می‌کند و از این بابت ضروری است. هدف این تیم کاهش نیاز به انجام شمارش دستی در آینده است.
عدم دقت در شمارش
نیکولاس ورگلس، استادیار تمرین حرفه‌ای در علوم کامپیوتر و فناوری اطلاعات می‌گوید: «پرندگانی که به راحتی قابل دیدن هستند، با اطمینان شناسایی می‌شوند، اما همیشه شمارش آن‌ها دقیق نیست. بنابراین برای کنترل مجدد همیشه نیاز به مداخله انسانی است. اما این کار حتی اگر 100% کامل هم نباشد، باعث صرفه‌جویی در امور خواهد شد.»
این تیم تحقیقاتی همچنین با همکاری MDC در حال توسعه سیستمی هستند که بتواند گیاهان مهاجم را شناسایی کنند. حتی اگر این گیاهان در فصل بهار و سبز باشند یا در فصول دیگر و به رنگ‌های دیگر. شانگ همچنین قصد دارد از یک دوربین چندطیفی استفاده کند که ممکن است برخی از نشانه‌های نوری مفید را از بین گونه‌های گیاهی نشان دهد و کار شناخت اشیا کوچک را بهتر کند.
او می‌گوید: «کامپیوتر تا زمانی که آموزش نبیند اهداف را نمی‌شناسد. ممکن است انسان نتواند تفاوت را بر اساس نور مرئی تشخیص دهد، اما دوربین چند طیفی این توانایی را دارد که اطلاعاتی که برای چشم انسان قابل رویت نیستند را فراهم کند.»
[irp posts=”5325″]شانگ و تیمش اخیرا با آزمایش پیشرفته‌ترین روش‌های یادگیری عمیق برای تشخیص اشیا کوچک عملکرد مدل خود را سنجیده‌اند. آن‌ها تا حد امکان چالش‌ها را در نظر گرفته و برای آن‌ها راه‌حل‌هایی ارائه کردند.
شانگ می‌گوید: «وقتی از مدل‌های موجود یادگیری ماشین استفاده می‌کنید، می‌بینید که آن‌ها معمولا خارج از محدوده عمل نمی‌کنند. پارامترهایی وجود دارند که برای دستیابی به نتیجه مطلوب باید تنظیم شوند. به عنوان مثال شناخت پرندگان با تشخیص چهره متفاوت است، بنابراین شما باید مدل‌ها را تنظیم کرده و دوباره آموزش دهید.»
انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید.
