آموزش هوش مصنوعی برای تشخیص اشیا در تاریکی مطلق

۱۳۹۷/۰۹/۲۲ - ۰۰:۰۰:۰۰
کد خبر: ۱۳۵۴۲۳
آموزش هوش مصنوعی برای تشخیص اشیا در تاریکی مطلق

ام.آی.تی نیوز |

پژوهشگران دانشگاه “ام.آی.تی “، نوعی شبکه یادگیری عمیق طراحی کرده‌اند که رایانه را برای تشخیص اشیا در تاریکی مطلق آموزش می‌دهد.

دیدن اشیای شفاف در تاریکی مطلق، تقریبا غیرممکن است اما پژوهشگران دانشگاه “ام.آی.تی “ (MIT)، روشی ابداع کرده‌اند که می‌تواند این اشیای نامرئی را در تاریکی مشخص کند.

پژوهشگران، اشیای شفاف را با استفاده از تصاویر آنها بازسازی کردند. آنها این کار را با استفاده از یک شبکه عمیق عصبی انجام دادند. شبکه عمیق عصبی، یک روش یادگیری ماشینی است که اتصال ورودی‌ها و خروجی‌های خاص که همان تصویر اشیای شفاف و خود اشیا هستند، را به رایانه آموزش می‌دهد.

این گروه پژوهشی براساس تصاویر پیکسلی این الگوها، رایانه را برای تشخیص بیش از 10 هزار تصویر شفاف شیشه‌ مانند آموزش دادند. این تصاویر، در شرایطی با نور بسیار پایین گرفته شده بودند. سپس، تصویر جدیدی به رایانه نشان داده شد که در داده‌های آموزش داده شده وجود نداشت و بدین ترتیب رایانه یاد گرفت اشیای شفافی که در تاریکی مبهم هستند، بازسازی کند.

نتایج این پژوهش نشان می‌دهند که شاید بتوان شبکه‌های عمیق عصبی را برای نشان دادن ویژگی‌های شفاف بافت‌ها و سلول‌های زیستی در تصاویری که با نور بسیار کم گرفته شده‌اند، به کار برد.

«جورج بارباستاتیس» (George Barbastathis)، استاد مهندسی مکانیک دانشگاه ‌ام.آی.تی گفت: اگر در آزمایشگاه به سلول‌های زیستی، نور بتابانیم، خواهند سوخت و چیزی برای ثبت تصویر باقی نخواهد ماند. اگر یک بیمار را در معرض اشعه ایکس قرار دهیم، خطر ابتلا به سرطان افزایش می‌یابد. در روش ما، کیفیت همان عکس به دست می‌آید اما بیمار کمتر در معرض اشعه قرار می‌گیرد. بدین ترتیب می‌توان میزان آسیب به بیماران را کاهش داد.

پژوهشگران می‌توانند با وارد کردن صدها یا هزاران تصویر، چنین شبکه‌ای را برای محاسبات سریع‌تر و دقیق‌تر آموزش دهند و برچسب درستی برای هر تصویر مشخص کنند. این شبکه عصبی با یادگیری داده‌های کافی می‌تواند تصاویر جدید را به درستی طبقه‌بندی کند. بارباستاتیس افزود: اشیای شفاف، با روش‌های متفاوتی قابل تشخیص هستند اما برای این کار، به نور فراوانی نیاز است. آنچه ما در حال حاضر انجام می‌دهیم، تجسم اشیای نامرئی در تاریکی است.