人工智能在分心时学习效果更好

摘要:荷兰和西班牙的计算机科学家已经确定了非常适合图像识别的深度学习系统如何学习识别周围环境。他们能够通过强制系统关注次要特征来简化学习过程。

(ChinaIT.com讯)你应该如何训练你的人工智能系统?这个问题很中肯,因为许多深度学习系统仍然是黑匣子。荷兰和西班牙的计算机科学家已经确定了非常适合图像识别的深度学习系统如何学习识别周围环境。他们能够通过强制系统关注次要特征来简化学习过程。

卷积神经网络 (CNN) 是人工智能中仿生深度学习的一种形式。成千上万个“神经元”的相互作用模仿了我们大脑学习识别图像的方式。荷兰格罗宁根大学伯努利数学、计算机科学和人工智能研究所的讲师兼研究员 Estefanía Talavera Martinez 说:“这些 CNN 是成功的,但我们并不完全了解它们是如何工作的。”

食物

在人类行为研究中,她自己利用 CNN 来分析由可穿戴相机拍摄的图像。此外,Talavera Martinez 一直在研究我们与食物的相互作用,因此她希望系统能够识别人们遇到食物的不同环境。“我注意到系统在对一些图片进行分类时出现了错误,我们需要知道为什么会发生这种情况。”

通过使用热图,她分析了 CNN 使用图像的哪些部分来识别场景。“这导致了一种假设,即该系统没有看到足够的细节”,她解释说。例如,如果一个人工智能系统已经学会使用杯子来识别厨房,它就会错误地对客厅、办公室和其他使用杯子的地方进行分类。由 Talavera Martinez 和她在西班牙的同事 David Morales (格拉纳达大学安达卢西亚数据科学和计算智能研究所)和 Beatriz Remeseiro (奥维多大学计算机科学系)开发的解决方案是分散系统的注意力,不去关注他们的主要目标。

图像模糊处理

他们使用标准的飞机或汽车图像集训练 CNN,并通过热图识别图像的哪些部分用于分类。然后,将这些部分在图像集中进行模糊处理,然后用于第二轮训练。‘这迫使系统在别处寻找标识符。通过使用这些额外信息,它的分类变得更加细粒度。’

该方法在标准图像集中运行良好,并且在 Talavera Martinez 从可穿戴相机收集的图像中也取得了成功。“我们的训练方法给出的结果与其他方法类似,但要简单得多,所需的计算时间也更少。”以前增加细粒度分类的尝试包括组合不同的 CNN 集。Talavera Martinez 和她的同事开发的方法更加轻量级。“这项研究让我们更好地了解了这些 CNN 的学习方式,这有助于我们改进培训计划。”

ChinaIT.com 网站文章仅限于提供更多信息,不代表本网站立场观点。如需转载,请注明来源 。转载之文章来源于互联网,如有版权问题,请与我们联系:content@chinait.com。

扫码关注ChinaIT小程序,随时掌握最新IT资讯