تا حالا دقت کردی چقدر راحت میتونیم یه شیء یا یه موجود رو از هر زاویهای که باشه، بشناسیم؟ مثلاً یه ماشین رو چه از روبرو، چه از بغل و چه حتی برعکس بهت نشون بدن، فوری میفهمی چیه. این توانایی رو خیلی از حیوانات هم دارن. اما وقتی میرسیم به هوش مصنوعی و رباتها، داستان کمی فرق میکنه.
سیستمهای هوشمند مثل شبکههای عصبی کانولوشنی (CNN) که برای شناسایی تصویر استفاده میشن، خوب یاد گرفتن اگه عکس کمی اینور اونور بره (مثلاً جابهجا شه)، باز هم میتونن تشخیص بدن. اما مشکلشون اینه که اگر عکس رو بچرخونی، مغزشون به هم میریزه و نمیتونن درست تشخیص بدن!
یه مدت پیش یه مدل جدید به اسم Vision Transformer یا همون ViT (ویآیتی یعنی یه نوع مدل هوش مصنوعی که بر خلاف CNNها با دیدن کل تصویر یکجا کار میکنه) اومد، ولی اونم با عکسهای چرخیده مشکل داشت و تو این زمینه فوقالعاده نیست.
حالا یه روش جدید و بامزه معرفی شده به اسم AMR یا Artificial Mental Rotation. راحت بخوام توضیح بدم، AMR یعنی «چرخوندن ذهنی مصنوعی»؛ یکجور ترفند هوش مصنوعیه که باعث میشه شبکه عصبی راحتتر تصاویر چرخیده رو هم تشخیص بده. دقیقاً انگار مغز انسان که عکس رو تو ذهنش میچرخونه تا بفهمه چیه!
جالبیش اینه که AMR با همه مدلهای معمولی CNN و ViT به راحتی کار میکنه و لازم نیست کدهای عجیبغریب بزنی یا سختش کنی. تستهایی که انجام دادن روی دیتاستهای معروفی مثل ImageNet (یه مجموعه خیلی بزرگ از عکسها)، Stanford Cars (عکس ماشینها)، و Oxford Pet (عکس حیوانات خونگی) بوده.
حالا بریم سر نتایجش که فوقالعاده باحاله! معمولاً یه روش دیگه به اسم Data augmentation چرخشی هست که یعنی میای کلی ورژن چرخیده از هر عکس رو به مدل نشون میدی تا یاد بگیره. اما AMR با رویکرد سادهتر تونسته خطای تشخیص (یا همون top-1 error) رو حدود ۱۹ درصد بهتر کنه! مثلاً اگه خطای روش قدیمی ۰.۶۲۶ بود، این عدد با AMR شده ۰.۷۴۳ که خیلی بهتره.
یه نکته خفن دیگه: میتونی همین ماژول AMR آموزشدیده رو راحت برداری بذاری روی کارهای دیگه، مثلاً روی مدل segment کردن عکس (یعنی مدل بفهمه هر بخش تصویر چیه). مثلاً اومدن AMR رو گذاشتن روی یه مدل segment که عکسهای چرخیده CoCo رو باید میفهمید (CoCo یه دیتاست معروف هوش مصنوعی برای تشخیص بخشهای مختلف تصویر). نتیجه هم این بوده که امتیاز تشخیص مدل (که با معیاری به اسم IoU سنجیده میشه) از ۳۲.۷ به ۵۵.۲ رسیده! یعنی یه جهش وحشتناک.
خلاصه، الان با این حرکت، مدلهای هوش مصنوعی هم دارن کمکم مثل ماها یاد میگیرن تصاویر رو از هر زاویهای راحت بشناسن. به نظر میاد آینده تشخیص تصویر کلی جذابتر و هوشمندتر میشه!
منبع: +
