Наши журнальные клубы по компьютерному зрению - отличное место для студентов, профессоров и профессионалов отрасли, чтобы собраться вместе, чтобы учиться, общаться и задавать вопросы по темам, связанным с компьютерным зрением и машинным обучением.

Подведем итоги последнего события!

19 июня 2019 года к нам присоединился приглашенный спикер Кристофер Каррен на нашем третьем мероприятии. Крис - доктор философии в Кейптаунском университете в лаборатории Раймондо, которая занимается изучением и попытками обнаружения припадков в человеческом мозге. Его исследования сосредоточены на вычислительной нейробиологии, и его восхищает то, как мы, люди, думаем и учимся, и как это работает как в биологическом, так и в искусственном интеллекте.

Тема Кристофера

Его презентация была посвящена сходству и различию между (современными) алгоритмами компьютерного зрения и человеческим зрением, а также важным пересечениям, совместным действиям и приложениям, которые определяют интерфейс между вычислительной нейробиологией и компьютерным зрением.

Вспоминая машинное обучение

Чтобы глубже разобраться в теме, он обратился к истории машинного обучения. С момента своего изобретения машины могут превосходить людей, но они никогда не могли видеть и обрабатывать визуальный мир вокруг себя, как мы, люди. Во многих отношениях это уже неверно. Алгоритмы машинного обучения достигли того, что мы называем «сверхчеловеческой производительностью», в широком спектре задач со зрением, что означает, что теперь они работают лучше, чем люди. Например, теперь алгоритмы лучше или равны обученным радиологам в определении рака легких по рентгеновским снимкам.

Крис объяснил, как эти алгоритмы машинного обучения, обеспечивающие сверхчеловеческую производительность, основаны на нашем понимании того, как функционирует мозг, еще в 1943 году, когда Маккалок и Питтс создали искусственную версию биологического нейрона, который мы теперь называем персептроном. Нейронные сети - это, по сути, большие коллекции перцептронов, упорядоченных по определенным образцам.

Итак, если у нас были строительные блоки еще в 1943 году, почему нейронные сети начали работать так долго?

Ответ - энергоэффективность и масштаб. Наш человеческий мозг каким-то образом способен решать проблемы со зрением, как никакой другой существующий процессор, несмотря на то, что он работает только от случайных бутербродов. Таким образом, потребовалось 70 лет, чтобы наши вычислительные мощности догнали мозг, и нам потребовалось накопить достаточное количество примеров данных для наших алгоритмов, на которых можно было бы учиться.

Алгоритмы машинного обучения также очень неэффективны. Это означает, что им часто нужно увидеть десятки или даже сотни тысяч изображений, прежде чем они смогут надежно классифицировать эти изображения. Люди, с другой стороны, могут видеть один или два примера конкретной ядовитой лягушки в джунглях и знать, во-первых, как идентифицировать этих лягушек в будущем, а во-вторых, сообщить, что делать с этой информацией - не ешьте лягушка! Люди также могут делать много вещей одновременно, используя одни и те же биологические нейронные сети. Мы можем водить машину, читать, писать, говорить, есть и даже научиться измельчать конфеты на наших телефонах с удивительной точностью.

Итак, объективно говоря, машинное обучение по-прежнему не может сравниться с мощью человеческого мозга, поэтому такие исследователи, как Крис, все еще изучают его!

Аэроботика и искусственный интеллект

В Aerobotics мы заинтересованы в этой области, потому что это самый инновационный рубеж искусственного интеллекта и источник многих новых идей, которые можно систематизировать и добавить в наши алгоритмы. Одним из таких примеров являются так называемые «механизмы внимания», которые придают алгоритмам человеческую способность фокусироваться на определенных объектах или вещах на изображении, а не на каждом пикселе с одинаковой важностью. Это нововведение в машинном обучении берет свое начало в изучении мозга и может быть использовано, чтобы помочь нашим алгоритмам лучше обнаруживать фрукты в будущем в Aerobotics.

Ответ

За беседой последовал сегмент вопросов и ответов. Наша аудитория была очень интересной и задавала Крису много проницательных вопросов. Крис также наградил наших супер гостей сладостями Super-C за то, что они задавали вопросы и давали ответы во время выступления.

Следите за нашими социальными платформами, чтобы узнать больше о нашем следующем мероприятии и о том, кто будет выступать. Кроме того, вы можете присоединиться к нашему списку рассылки, чтобы быть в курсе последней информации, подписавшись здесь: http://bit.ly/CVJCMailingList.

Мы с нетерпением ждем встречи с вами на нашем следующем мероприятии!