6月6日，日本理化學(xué)研究所RIKEN研究人員表明，只需對(duì)通常用于增強(qiáng)圖像的算法進(jìn)行微小調(diào)整，就可以顯著提高從自動(dòng)駕駛汽車到虛擬分身等應(yīng)用中的計(jì)算機(jī)視覺(jué)識(shí)別能力。

圖片來(lái)源：RIKEN

與大多數(shù)人工智能（AI）專家不同，RIKEN高級(jí)智能項(xiàng)目中心的Lin Gu是一位職業(yè)治療師，因此會(huì)對(duì)尺度方差有獨(dú)特的見(jiàn)解，即計(jì)算機(jī)視覺(jué)面臨的一個(gè)關(guān)鍵問(wèn)題：在圖像中準(zhǔn)確檢測(cè)不同尺度的物體的難度。由于大多數(shù)AI系統(tǒng)都是在高分辨率圖像上訓(xùn)練的，因此具有模糊或扭曲特征的逼真低質(zhì)量圖片對(duì)識(shí)別算法造成了挑戰(zhàn)。

Lin Gu表示：“人類視覺(jué)具有大小恒定性，這意味著無(wú)論視網(wǎng)膜圖像如何變化，我們都會(huì)將物體視為相同大小。相比之下，現(xiàn)有的計(jì)算機(jī)視覺(jué)算法缺乏那種穩(wěn)定性?！?/p>

現(xiàn)在，受大腦用來(lái)形成記憶的海馬回放技術(shù)的啟發(fā)，Lin Gu和同事開(kāi)發(fā)出行模型，可以隨機(jī)降低高分辨率圖像的分辨率、模糊度和噪聲，以尋找在重復(fù)變化后保持不變的特征。

通過(guò)對(duì)生成的數(shù)據(jù)進(jìn)行訓(xùn)練，該算法可以執(zhí)行自我監(jiān)督學(xué)習(xí)：幫助其他圖像處理算法在沒(méi)有人工干預(yù)的情況下找出圖像中的對(duì)象，以及它們所在的位置。結(jié)果獲得一種計(jì)算效率更高的編碼和恢復(fù)圖像關(guān)鍵細(xì)節(jié)的方法。

Lin Gu表示：“在典型的自我監(jiān)督學(xué)習(xí)方法中，在學(xué)習(xí)監(jiān)督信號(hào)之前，訓(xùn)練數(shù)據(jù)是通過(guò)屏蔽部分圖像或改變對(duì)比度來(lái)修改。我們首次提出將決議作為自我監(jiān)督的線索?！?/p>

除了典型的計(jì)算機(jī)視覺(jué)用途外，Lin Gu指出，感知常數(shù)表示將成為與電子人和分身相關(guān)的技術(shù)的基本組成部分。

Lin Gu表示：“對(duì)于人工記憶機(jī)制，分辨率變化不變的表示可以充當(dāng)基石。我正在與RIKEN的神經(jīng)科學(xué)家合作，探索人工永久恒定表征與大腦中真實(shí)表征之間的關(guān)系。”

這種方法也被應(yīng)用于太赫茲成像——一種新興的非破壞性成像技術(shù)，在生物醫(yī)學(xué)、安全和材料表征方面具有巨大潛力。Lin Gu表示：“作為與牛津大學(xué)Michael Johnston團(tuán)隊(duì)合作的一部分，我們正在開(kāi)發(fā)新一代太赫茲成像設(shè)備，通過(guò)使用AI來(lái)提高其質(zhì)量和分辨率。”