Nevrale nettverk forstår ikke hva optiske illusjoner er

Bilde av svart-hvitt optisk illusjon Pixabay

Menneskesyn er et ekstraordinært anlegg. Selv om det utviklet seg i spesifikke miljøer over mange millioner år, er det i stand til å utføre oppgaver som tidlige visuelle systemer aldri opplevde. Lesing er et godt eksempel, det samme er å identifisere kunstige gjenstander som biler, fly, veiskilt og så videre.

Men det visuelle systemet har også et velkjent sett med mangler som vi opplever som optiske illusjoner. Forskere har faktisk identifisert mange måter disse illusjonene får mennesker til å feilvurdere farge, størrelse, justering og bevegelse på.

Illusjonene i seg selv er interessante fordi de gir innsikt i det visuelle systemets og persepsjonens natur. Så måter å finne nye illusjoner som utforsker disse grensene vil være svært nyttige.

Konsentriske sirkler?

Det er der dyp læring kommer inn. De siste årene har maskiner lært seg å gjenkjenne objekter og ansikter i bilder og deretter lage lignende bilder selv. Så det er lett å forestille seg at et maskinsynssystem burde være i stand til å lære å gjenkjenne illusjoner og deretter lage sine egne.

Gå inn Robert Williams og Roman Yampolskiy ved University of Louisville i Kentucky. Disse gutta har forsøkt denne bragden, men funnet ut at ting ikke er så enkelt. Nåværende maskinlæringssystemer kan ikke generere sine egne optiske illusjoner - i hvert fall ikke ennå. Hvorfor ikke?

Først litt bakgrunn. De siste fremskrittene innen dyp læring er basert på to fremskritt. Den første er tilgjengeligheten av kraftige nevrale nettverk og ett eller to programmeringstriks som gjør dem flinke til å lære.

Den andre er opprettelsen av enorme kommenterte databaser som maskiner kan lære av. Å lære en maskin å gjenkjenne ansikter krever for eksempel mange titusenvis av bilder som inneholder ansikter som er tydelig merket. Med den informasjonen kan et nevralt nett lære å oppdage karakteristiske ansiktsmønstre – for eksempel to øyne, en nese og en munn. Og enda mer imponerende, et par av dem – kalt et generativt motstandsnettverk – kan lære hverandre å lage realistiske, men totalt syntetiske, bilder av ansikter.

Williams og Yampolskiy bestemte seg for å lære et nevralt nettverk for å identifisere optiske illusjoner på samme måte. Datamaskinhestekreftene er lett tilgjengelige, men de nødvendige databasene er det ikke. Så forskernes første oppgave var å lage en database med optiske illusjoner for trening.

Det viser seg å være vanskelig. Antall statiske optiske illusjonsbilder er i de lave tusener, og antallet unike typer illusjoner er absolutt svært lavt, kanskje bare noen få dusin, sier de.

Det representerer en utfordring for nåværende maskinlæringssystemer. Å lage en modell som er i stand til å lære fra et så lite og begrenset datasett, vil representere et stort sprang i generative modeller og forståelse av menneskelig syn, sier de.

Så Williams og Yampolskiy kompilerte en database med over 6000 bilder av optiske illusjoner og trente deretter et nevralt nettverk til å gjenkjenne dem. Så bygget de et generativt motstandsnettverk for å skape optiske illusjoner for seg selv.

Resultatene var skuffende. Ingenting av verdi ble skapt etter 7 timers trening på en Nvidia Tesla K80, sier forskerne, som har gjort databasen sin tilgjengelig for andre å bruke.

Likevel er dette et interessant resultat. De eneste optiske illusjonene som er kjent for mennesker er skapt av evolusjon (for eksempel øyemønstre i sommerfuglvinger) eller av menneskelige kunstnere, påpeker de.

I begge tilfeller spiller mennesker en avgjørende rolle ved å gi verdifull tilbakemelding – det kan mennesker se illusjonen.

Men maskinsynssystemer kan det ikke. Det virker usannsynlig at [et generativt motstandernettverk] kunne lære å lure menneskesyn uten å kunne forstå prinsippene bak disse illusjonene, sier Williams og Yampolskiy.

De er kanskje ikke lette, fordi det er avgjørende forskjeller mellom maskinsynssystemer og det menneskelige synssystemet. Ulike forskere utvikler nevrale nettverk som ligner det menneskelige synssystemet stadig mer. Kanskje en interessant test vil være om de kan se illusjoner eller ikke.

I mellomtiden er ikke Williams og Yampolskiy optimistiske. Det ser ut til at et datasett med illusjonsbilder kanskje ikke er tilstrekkelig til å skape nye illusjoner, sier de. Så for øyeblikket er optiske illusjoner en bastion av menneskelig erfaring som maskiner ikke kan erobre.

Ref: arxiv.org/abs/1810.00415 : Datasett for optiske illusjoner

gjemme seg