Neurónové siete sa učia vidieť v 3D

0

Počítač dnes môžu riadiť autá, poraziť najlepších hráčov v hrách ako go či šachy či dokonca písať prózu. Konvolučné neurónové siete (CNN – convolutional neural networks), inšpirované vrstvami neurónov vo vizuálnej kôre cicavcov, sú prekvapujúco dobré v nachádzaní vzorov v dvojrozmerných údajoch, najmä pri rozpoznávaní textu písaného rukou či objektov na obrázkoch.

No keď sa aplikujú na súbory údajov, ako sú napr. modely nepravidelných tvarov používané v 3D počítačovej animácii alebo mraky bodov generované autonómnymi autami na mapovanie ich okolia, táto výkonná architektúra strojového učenia nefunguje. Okolo roku 2016 sa objavila nová disciplína, nazvaná geometrické hlboké učenie, s cieľom dosiahnuť, aby CNN nevideli svet „sploštene“. Vedci teraz poskytli nový teoretický rámec na budovanie neurónových sietí, ktoré sa môžu učiť vzory na akomkoľvek druhu geometrického povrchu.

Takéto CNN, označované gauge-equivariant convolutional neural networks, dokážu detegovať vzory nielen v 2D poliach pixelov, ale aj na guľôčkach a asymetricky zakrivených predmetoch. Tento typ CNN už prekonal svojich predchodcov v detekcii vzorov v simulovaných globálnych klimatických údajoch prirodzene namapovaných na guľu. Takéto algoritmy môžu byť užitočné na zlepšenie videnia robotov a autonómnych vozidiel či na detekciu vzorov v údajoch získaných z nepravidelne zakrivených povrchov srdca, mozgu alebo iných orgánov.

Zdroj: wired.com.

Redakcia

Všetky autorove články
pocitac internet siet stroj mozog robot

Pridať komentár

Mohlo by vás zaujímať

Mohlo by vás zaujímať