Фейспалм улучшит распознавание лиц машинами
Исследователи из Университета Центральной Флориды и Университета Карнеги — Меллон разработали алгоритм для создания множества реалистичных фотографий людей с лицами, частично заслоненными руками. Таким образом ученые пытаются решить проблему нехватки данных для обучения алгоритмов по распознаванию лиц и эмоций. Помимо этого они разработали модель для определения типа заслонения (рука или другой объект), а также заслоненных областей лица. Препринт исследования доступен на сайте arXiv.org, также об исследовании сообщает издание TechCrunch.
Из-за того, что руки имеют тот же цвет и текстуру, как и лицо, заслонение лица рукой представляет для алгоритмов по распознаванию лиц серьезную проблему. Многие из этих алгоритмов основаны на машинном обучении. Этот метод хорошо зарекомендовал себя во многих областях, но он требует больших объемов тренировочных данных. Поскольку фотографий на которых часть лица закрыта рукой не так много, разработчикам сложно натренировать свои алгоритмы на таких изображениях для корректного распознавания.
Американские исследователи решили самостоятельно создавать данные для тренировки алгоритмов. Их алгоритм сначала извлекает изображение рук и других объектов, таких как шарфы, из набора фотографий реальных людей с частично закрытыми лицами. Затем он выбирает из набора фотографий людей с незакрытыми лицами такие изображения, на которых человек расположен похожим образом. После этого происходит наложение, перед которым рука или другой заслоняющий объект подгоняется по цвету, качеству изображения и ориентации таким образом, чтобы конечное изображение выглядело максимально естественно.
Таким образом исследователи научились получать большие объемы изображений для обучения искусственного интеллекта. Одно из преимуществ такого подхода заключается в том, что получаемый набор данных состоит из пар идентичных фотографий людей, различающихся только наличием или отсутствием посторонних предметов на них. Это может значительно повысить эффективность обучения.
Специалисты из компании Apple в прошлом году разработали технологию улучшения синтетических изображений, используемых при тренировке нейросетей. Таким образом исследователи пытались решить ту же проблему — нехватку данных для обучения алгоритмов. Также в прошлом году другие исследователи выяснили, что системы распознавания лиц становятся менее эффективными при работе с большими объемами данных. Если предоставить таким системам не десятки тысяч фотографий, а сотни тысяч или более, алгоритмы заметно хуже справляются с поиском одинаковых лиц.
Григорий Копиев
Алгоритм помог отделить летучих мышей от птиц и насекомых
Ученым удалось точно описать миграцию перелетных летучих мышей и отличить их от других животных. Оказалось, что они летают на меньшей высоте, чем птицы, и начинают мигрировать позднее. Найти мигрирующих летучих мышей помог алгоритм для классификации данных с радаров: он определил, какие данные относятся к насекомым и птицам, а какие — к летучим мышам. Работа опубликована в журнале Methods in Ecology and Evolution. С помощью радаров ученые уже почти 80 лет исследуют летающих существ: птиц и насекомых. По данным с радаров можно изучать длительные и массовые перемещения птиц, например сезонную миграцию. Для анализа радарных данных нужно сначала понять, каким животным эти данные принадлежат. Птиц и насекомых легко различить по размеру, форме и аэродинамике, а вот летучих мышей от птиц отличить сложнее. Для различения летающих животных на радарных данных используются разные алгоритмы, в том числе методы машинного обучения, но для них нужно много предварительных наблюдений. Например, исследователи могут пронаблюдать за движением птиц в определенном месте и отметить их на данных с радаров. В отличие от птиц, летучие мыши активны в темное время суток, и наблюдать за ними сложнее, поэтому данных о миграции летучих мышей мало. Из-за отсутствия данных их перелеты не учитываются при строительстве небоскребов, вышек или электростанций, поэтому летучие мыши могут в них врезаться во время миграции. Чтобы лучше изучать и защищать летучих мышей, группа ученых из Тель-Авивского университета под руководством Нира Сапира (Nir Sapir) придумала способ определять их на данных с радаров. Во-первых, авторы учли характеристики полета летучих мышей: амплитуду и скорость движений крыльями, высоту и скорость передвижения. Во-вторых, они исследовали данные, собранные за четыре года в Долине Хула в Израиле за определенные две недели в июне — обычно в это время там останавливаются передохнуть многие перелетные птицы во время миграции по Евразийско-Африканскому маршруту, но по ночам в июне в долине встречаются только четыре хорошо изученных вида птиц, которых можно перепутать с летучими мышами. По характеристикам полета ученые отделили этих птиц от летучих мышей в радарных данных. Так авторы собрали датасет с информацией о перелетах летучих мышей и насекомых с птицами. Наблюдений по летучим мышам оказалось намного меньше, поэтому ученые дополнительно сгенерировали искусственные данные с помощью нейросети. В итоговом датасете получилось 430 тысяч наблюдений. На нем натренировали четыре классификатора, отделяющие летучих мышей от других летающих существ. Для классификации использовали деревья решений. Каждый классификатор использовал разный набор параметров: в одном учитывались все данные о полете, в другом не учитывалась скорость передвижения, в третьем — амплитуда и скорость махов крыльями, в четвертом — паузы без взмахов крыльями. Худшие результаты (точность меньше 65 процентов) показали третья и четвертая модели, которые не учитывали информацию о взмахах крыльями. Зато классификатор, обученный на полном наборе данных, показал точность 94 процента. Помимо обычной оценки точности классификации, авторы проверяли, как часто модель ошибочно определяет летучих мышей на дневных данных (обычно летучие мыши мигрируют по ночам). Авторы применили обученный классификатор на другие данные, собранные в Долине Хула, и смогли выяснить новые особенности миграции и поведения летучих мышей. Оказалось, что они еще менее активны зимой, чем летающие птицы и насекомые. Также ученые показали, что летучих мышей есть два основных периода и направления миграции: с марта по июнь на север и с сентября по ноябрь на юг. Летучие мыши начинают и заканчивают сезонные перелеты позднее, чем птицы. Недавно зоологи выяснили, что перелетные летучие мыши ориентируются по геомагнитному полю во время миграций. Ученые пришли к этому выводу после экспериментов с малыми нетопырями. Две группы летучих мышей держали в обычных клетках и клетках с искаженным магнитным полем. Когда обе группы выпустили из клеток, они полетели в разных направлениях.