Η οπτική αναγνώριση είναι μια από τις πλέον σημαντικές λειτουργίες που μπορεί να επιτελέσει ο υπολογιστής. Μερικές φορές μπορεί να ανταγωνιστεί τον άνθρωπο στην αναγνώριση των αντικειμένων σε μια σειρά από εικόνες. Αλλά μήπως το τελικό αποτέλεσμα σημαίνει ότι οι υπολογιστές μιμούνται το ανθρώπινο οπτικό σύστημα;

Έτσι, μια νέα έκθεση της ιστοσελίδας pnas.org, απαντώντας σε αυτό το ερώτημα, μας εξηγεί τι διαφορά που υπάρχει ανάμεσα στον υπολογιστή και το ανθρώπινο οπτικό σύστημα.

Οι συντάκτες του PNAS χρησιμοποίησαν ένα σύνολο από θολές και δύσκολες εικόνες για να εντοπίσουν τις διαφορές μεταξύ των μοντέλων υπολογιστικής όρασης και τον ανθρώπινο εγκέφαλο. Χρησιμοποίησαν φωτογραφίες που ονομάζονται "minimal recognizable configurations" (MIRCs) που είτε ήταν μικρές ή χαμηλής ανάλυσης, θα αποτρέψει ένα άτομο να είναι σε θέση να τις αναγνωρίσει.

Δημιούργησαν αυτό το σύνολο των εικόνων, παρουσιάζοντας μια σειρά από φωτογραφίες σταδιακά μικρότερες και χαμηλότερης ανάλυσης σε χιλιάδες ανθρώπους στο Amazon Mechanical Turk (MTurk), προσδιορίζοντας το τελευταίο επίπεδο στο οποίο θα μπορούσε να αναγνωριστούν οι εικόνες. Αυτό το τελευταίο αναγνωρίσιμο επίπεδο χαρακτηρίστηκε ως MIRC, οτιδήποτε χαμηλότερο ή αγνώριστο επίπεδο ονομαζόταν sub-MIRC.

Η πρώτη και πιο προφανής σύγκριση είναι αν οι άνθρωποι και οι υπολογιστές έχουν παρόμοια επίπεδα της αναγνώρισης των MIRCs και sub-MIRC. Για να δοκιμάσουν αυτό, οι ερευνητές εντόπισαν ότι όλα τα MIRCs που οι άνθρωποι θα μπορούσαν να προσδιορίσουν σωστά είναι πάνω από το 65% και μια ομάδα sub-MIRC προσδιορίζονταν σωστά σε λιγότερο από το 20% του χρόνου. Τα μοντέλα των υπολογιστών δεν αποδίδουν πολύ καλά σε αυτές τις εικόνες. Θα μπορούσαν να ταξινομήσουν με ακρίβεια μόνο περίπου 7% των MIRCs και 2% των sub-MIRC. Κάπου εδώ κερδίζει ο άνθρωπος.

Υπήρξε επίσης μια δραματική διαφορά στον τρόπο που οι υπολογιστές άρχισαν να αποτυγχάνουν. Για τους ανθρώπους, η αναγνώριση των MIRCs ξαφνικά έπεσε σε ένα συγκεκριμένο επίπεδο. Η τελευταία αναγνωρίσιμη εικόνα μπορεί να προσδιοριστεί σωστά από το 93% των ανθρώπων μετά από μια μικρή αλλαγή, η sub-MIRC θα μπορούσε να εντοπίσει μόνο το 3%.

Τα υπολογιστικά μοντέλα το έκαναν καλύτερα αφού είχαν εκπαιδευθεί ειδικά στα MIRCs, αλλά η ακρίβειά τους ήταν πολύ χαμηλότερη σε σύγκριση με την ανθρώπινη απόδοση. Αυτή είναι η αιτία που οι συγγραφείς προτείνουν, ότι οι υπολογιστές δεν μπορούν να ξεχωρίσουν τα επιμέρους στοιχεία της εικόνας, ενώ οι άνθρωποι μπορούν. Για παράδειγμα, σε μια θολή εικόνα που φαίνεται μόνο το κεφάλι και φτερά ενός αετού, οι άνθρωποι θα μπορούσαν να ξεχωρίσουν τα μάτια, το ράμφος, τα φτερά, κ.λ.π. Αυτό το είδος ερμηνείας είναι "πέρα από τις δυνατότητες των σημερινών μοντέλων νευρωνικών δικτύων".

Συνολικά, αυτό σημαίνει ότι οι υπολογιστές μπορούν να κάνουν πολύ καλά την αναγνώριση εικόνας, αλλά όχι όπως ο ανθρώπινος εγκέφαλος, διότι δεν χρησιμοποιούν τα επιμέρους στοιχεία σε μια εικόνα για να μάθουμε τι σημαίνει.

Μετάφραση άρθρου από το thegreeksenergy.com

Image: Thomas Tolkien

Πηγή: arstechnica.co.uk