提升自动驾驶车辆与机械生物的计算机视觉能力

煤油灯科技2023-10-06 10:04

机器人化身的发展可以从如何改善计算机在低分辨率图像中检测物体的能力中获益。RIKEN的一个团队通过训练算法,改进了计算机视觉识别能力,使其在低分辨率图像中更好地识别物体。受到人脑记忆形成技术的启发,该模型降低了高分辨率图像的质量,以便训练算法进行自我监督学习,增强低质量图像中的物体识别能力。这一发展预计不仅将有益于传统计算机视觉应用,还将有助于创建以及太赫兹成像技术。

机器人化身视觉增强灵感源于人类感知

仅仅对通常用于增强图像的算法进行小幅调整,就能大幅提升计算机视觉识别能力,在从自动驾驶汽车到机器人化身的各种应用中都有所体现。这是日本RIKEN科学家的最新研究所展示的。

非传统的计算机视觉方法

与大多数人工智能(AI)专家明显不同的是,来自RIKEN先进智能项目中心的林谷在职业生涯的起点是一名治疗师。这个背景使他对规模变化有独特的洞察力,这是计算机视觉面临的一个重要问题,指的是在图像中准确检测不同尺度物体的困难。由于大多数AI系统是在高分辨率图像上训练的,具有模糊或变形特征的逼真低质量图片对于识别算法来说是一个挑战。

这种情况让林谷想起了梦幻之境综合征,这是一种导致物体看起来比实际大小要小或大的扭曲视觉状况。林谷说:“人的视觉具有大小恒定性,也就是说,无论视网膜上的图像如何变化,我们都会感知物体的大小是相同的。” “相比之下,现有的计算机视觉算法缺乏这种恒定性,就像爱丽丝一样。”

对图像识别的新颖方法

现在,受到大脑用于形成记忆的海马回放技术的启发,林谷及其同事们开发了一个模型,随机降低高分辨率图像的分辨率、模糊度和噪声,搜索在多次变化后保持不变的特征。

通过对生成的数据进行训练,算法可以进行自我监督学习:帮助其他图像处理算法确定图像中的对象及其位置,无需人为干预。其结果是:更高效地对图像中的关键细节进行编码和恢复的方法。

“在典型的自我监督学习方法中,训练数据常通过屏蔽图像的一部分或者改变对比度来修改,以进行学习监督信号,”Gu(作者之一)解释说,“我们首次提出使用分辨率作为自我监督线索。”

未来的意义和合作

除了典型的计算机视觉应用之外,Gu指出感知常数表示将成为与人机融合和虚拟形象相关技术的基本部分。他举例提到,他参与了由日本科研机构发起的一个未来项目,旨在创建一个能够与公民互动的政府部长真实数字版。

“对于人工记忆机制来说,对分辨率变化不变的表示可以起到关键作用,”Gu说,“我正在与理化学研究所的神经科学家合作,探索人工感知常数表示和大脑中实际表示之间的关系。”

该方法还被应用于太赫兹成像——一种具有巨大潜力在生物医学、安全和材料表征中的新兴非破坏性成像技术。“我正在与牛津大学Michael Johnston团队进行长期合作,利用人工智能来改善太赫兹成像设备的质量和分辨率,”Gu说道。

 

---煤油灯科技victorlamp.com编译整理---

你可能也喜欢这些文章