Køreskolen for computere

For at generere realistiske billeder af vejskilte, forskere stiller to algoritmer op mod hinanden.

For at sikre, at biler en dag vil køre autonomt og sikkert gennem gaderne, de skal kunne genkende vejskilte. Selv om natten, i regnen, i sneen, eller hvis skiltene er dækket af mos, snavset eller delvist tilgroet. For at lære at gøre det, de kræver et væld af eksempler på alle vejskilte fra forskellige årstider, tidspunkter på dagen og vejrforhold. "At tage billeder af alle disse tegn et sted ville være uhyre tidskrævende, " forklarer professor Sebastian Houben fra RUB Neural Computation Institute. "Især da nogle af tegnene er ret sjældne."

Sammen med Dominic Spata og Daniela Horn, han udviklede derfor en metode til automatisk at generere trafikskilte, som computere kan bruge til at øve syn.

Maskinbaserede processer er bedre til at genkende tegnene end mennesker

I sin barndom, projektet brugte billeder af rigtige vejskilte:tilbage i 2011, holdet tog videoer af 43 vejskilte, der er standardiseret i Tyskland – forskere omtaler dem som klasser. Baseret på videoerne, de genererede cirka 50, 000 individuelle billeder af skiltene fra forskellige perspektiver. Maskinbaserede processer er i det hele taget bedre til at genkende tegnene i disse billeder end mennesker:sidstnævnte identificerede 98,8 procent korrekt, hvorimod en billedgenkendelsessoftware er korrekt i op til 99,7 procent af tilfældene.

Men dette er ikke længere hovedspørgsmålet. "Vi ønsker at nå et punkt, hvor en algoritme lærer at generere billeder af vejskilte, som andre programmer kan bruge til at øve deres genkendelsesevner, " skitserer Sebastian Houben.

Forskerholdet bruger to algoritmer til dette formål:Den ene fodres med simple ikonografiske piktogrammer af officielle vejskilte og får til opgave at overføre dem til billeder, der ligner fotos; plus, Algoritmen skal også kunne overføre det opnåede tegn tilbage til disse piktogrammer på et senere tidspunkt. "Sådan forhindrer vi algoritmen i at forvrænge billedet af skiltet i en sådan grad, at det ikke længere ligner vejskiltet på nogen måde, ”forklarer Daniela Horn.

Den anden algoritme skal afgøre, om det genererede billede er et rigtigt foto eller ej. Målet er at sikre, at den anden algoritme ikke længere kan fortælle, hvad den er. "I øvrigt, den anden algoritme angiver for den første, på hvilken måde udvælgelsesprocessen kunne gøres endnu vanskeligere, siger Sebastian Houben. disse to er sparringspartnere, af slagsen."

I starten uddannelsesprocessen fungerer ikke særlig godt. Det tæller som en succes, hvis billedet af et prioriteret vejskilt har den rigtige farve og er mere eller mindre firkantet. Men det er i hastig bedring. "Efter to eller tre dage, vi tjekker, hvordan billederne af vejskilte ser ud, " forklarer Daniela Horn. "Hvis billederne ikke ser godt ud for vores menneskelige øje, vi ændrer algoritmen."

Det er ikke helt klart, hvornår processen vil være afsluttet, fordi der ikke findes et bestemt mål for billedkvalitet. Menneskelige deltagere bliver narre af kun ti procent af billeder i gennemsnit, der blev skabt ved hjælp af billedgenererende processer af høj kvalitet. I de fleste tilfælde, mennesker genkender, hvilke billeder der er rigtige billeder, og hvilke der ikke er. "Årsagerne kan være ret simple, " siger Daniela Horn. "Der var et tilfælde, for eksempel, hvor algoritmen altid ville udelade den stang, som et skilt er monteret på."

Det handler ikke om at bedrage mennesker

For mennesker, dette er et indlysende kriterium, for et computersystem, der slet ikke er vigtigt. "Dette handler ikke om at bedrage mennesker, "påpeger neuroinformatikeren. Med hensyn til software til billedgenkendelse, de to algoritmer opnåede bedre resultater end mennesker, også:efter træning med et sammenligneligt antal kunstige billeder, et visuelt computersystem klarede sig kun ti procentpoint dårligere end efter træning med rigtige billeder.

Forskerteamet bruger desuden tricks til at optimere den billedgenererende algoritme. "Det havde, for eksempel tendensen til at skabe skovbaggrunde - formodentlig fordi billedgenkendelsesalgoritmen let bliver narret af dem, " uddyber forskeren. Holdet tacklede dette problem ved at ændre baggrundsfarven på de originale piktogrammer. "Vi kan kun påvirke processen gennem det indledende input og ved at ændre algoritmen, " siger Sebastian Houben. De efterfølgende beslutninger truffet af algoritmerne er uden for forskernes kontrol - et træk ved kunstig intelligens.