對于人類來說，識別一個場景中的物品是非常簡單的一件事。但是對于人工智能和計算機視覺系統(tǒng)來說，發(fā)展對其周圍環(huán)境的高保真理解需要更多的努力，如果我們說得具體一點，大約需要800小時的手工標(biāo)記訓(xùn)練圖像的努力。為了幫助機器更好地看到人的方式，麻省理工學(xué)院CSAIL的一個研究小組與康奈爾大學(xué)和微軟合作，開發(fā)了STEGO，一種能夠識別圖像到單個像素的算法。

訪問：

VIP會員買1得5：贈愛奇藝半年卡、京東Plus、百度網(wǎng)盤、叮咚買菜

通常情況下，創(chuàng)建CV訓(xùn)練數(shù)據(jù)需要人類在圖像中的特定對象周圍畫上方框--比如，在坐在一片草地上的狗周圍畫上方框--并給這些方框貼上里面的東西（"狗"），這樣，在上面訓(xùn)練的AI就能把狗和草地區(qū)分開來。相反，STEGO（基于能量的圖譜優(yōu)化的自我監(jiān)督轉(zhuǎn)化器）使用一種被稱為語義分割的技術(shù)，它將類別標(biāo)簽應(yīng)用于圖像中的每個像素，使人工智能對其周圍的世界有一個更準(zhǔn)確的看法。

一個有標(biāo)簽的盒子會把物體加上周圍像素中的其他項目放在盒子的邊界內(nèi)，而語義分割給物體中的每個像素都貼上標(biāo)簽，但只有構(gòu)成物體的像素--你只得到狗的像素，而不是狗的像素加上一些草。這是機器學(xué)習(xí)，相當(dāng)于在Photoshop中使用智能套索與矩形劃線工具。

這種技術(shù)的問題主要出現(xiàn)在范圍上，傳統(tǒng)的多鏡頭監(jiān)督系統(tǒng)通常需要數(shù)千，甚至數(shù)十萬的標(biāo)記圖像來訓(xùn)練算法。乘以組成256x256的單一圖像的65536個單獨的像素，所有這些像素現(xiàn)在也需要被單獨標(biāo)記，所需的工作量迅速上升到不可能完成。

相反，"STEGO尋找在整個數(shù)據(jù)集中出現(xiàn)的類似物體，"CSAIL團隊在周四的一份新聞稿中寫道。"然后它將這些類似的物體聯(lián)系在一起，在它所學(xué)習(xí)的所有圖像中構(gòu)建一個一致的世界觀。

"如果你在看腫瘤掃描、行星表面或高分辨率的生物圖像，如果沒有專家知識，你很難知道要尋找什么對象。在新興領(lǐng)域，有時甚至人類專家也不知道正確的對象應(yīng)該是什么，"麻省理工學(xué)院CSAIL博士生，微軟軟件工程師，以及論文的主要作者馬克-漢密爾頓說。"在這些類型的情況下，需要設(shè)計一種方法在科學(xué)的邊界上運作，尤其是不能依靠人類在機器之前弄清楚的情況下。"

研究人員在各種各樣的圖像領(lǐng)域--從家庭內(nèi)部到高空航拍--上進行了訓(xùn)練，結(jié)果顯示STEGO的性能是以前語義分割方案的兩倍，并且與人類控制的圖像評估密切相關(guān)。更重要的是，"當(dāng)應(yīng)用于無人駕駛汽車數(shù)據(jù)集時，STEGO成功地分割出了道路、人和街道標(biāo)志，其分辨率和顆粒度比以前的系統(tǒng)高得多。"麻省理工學(xué)院CSAIL團隊寫道："在來自太空的圖像上，該系統(tǒng)將地球表面的每一平方英尺都分解為道路、植被和建筑物。"

"在制作一個理解潛在的復(fù)雜數(shù)據(jù)集的通用工具時，我們希望這種類型的算法能夠使從圖像中發(fā)現(xiàn)物體的科學(xué)過程自動化，"漢密爾頓說。"有很多不同的領(lǐng)域，在這些領(lǐng)域中，人類的標(biāo)簽將是非常昂貴的，或者人類甚至根本不知道具體的結(jié)構(gòu)，比如在某些生物和天體物理領(lǐng)域。我們希望未來的工作能夠應(yīng)用于非常廣泛的數(shù)據(jù)集。由于你不需要任何人類標(biāo)簽，我們現(xiàn)在可以開始更廣泛地應(yīng)用ML工具。"

盡管其性能優(yōu)于之前的系統(tǒng)，但STEGO也有其局限性。例如，它可以將意大利面和玉米糝都識別為"食品"，但不能很好地區(qū)分它們。它還會被一些無意義的圖像所迷惑，比如說坐在電話聽筒上的一根香蕉。這是一種食品還是生活用品？STEGO無法分辨。該團隊希望在未來的迭代中建立更多的靈活性，使該系統(tǒng)能夠識別多個類別的物體。

關(guān)鍵詞： 人工智能 麻省理工學(xué)院最新的計算機視覺算法可識別精