論如何騙過計算機視覺AI網路,UCLA專家為你支幾招
新智元報道
來源:entrepreneur.com
編輯:大明
【新智元導讀】UCLA的研究人員最近專門發文研究了「計算機視覺神經網路究竟有多好騙「這個問題。通過3個實驗,研究人員表明,在對玻璃材質雕像、只有外形輪廓的圖像識別上,AI幾乎無能為力,成功率奇低。
雖然AI給人類帶來的方便已經不勝枚舉,但越來越多的人仍然在擔心AI技術的快速應用可能會奪走未來人類的工作,有時,這種想法甚至很有緊迫感。不過,一些研究人員不同意技術很快就會從人類手中奪走工作的想法。
加州大學洛杉磯分校(UCLA)的研究人員進行了一些實驗,結果表明,「深度學習」的機器存在嚴重局限性。
AI未來還有很長的路要走
「以深度學習計算機網路的人工智慧機器到底有多聰明,這些機器與人類的大腦有多類似?近年來,對這個問題已經取得了很大的進步,但前方仍有很長的路要走,「加州大學洛杉磯分校的認知心理學家團隊在PLOS《計算生物學》期刊上發文提出了這一問題。
有AI技術的支持者表示,非常願意使用這些神經網路網路來完成多種多樣的個人任務,甚至完成通常要由人完成的工作。然而,在這項研究中的五個實驗的結果均表明,神經網路很容易受騙,網路利用計算機視覺來識別目標的方法與人類的視覺有很大不同。
「這些機器存在嚴重的局限性,我們需要了解這些局限性。」加州大學洛杉磯分校心理學教授,該研究論文的資深作者Philip Kellman說。
AI網路很容易被騙
Kellman表示,機器視覺存在局限性。在第一個實驗中,研究人員的實驗對象是性能最好的深度學習網路之一VGG-19,使用的是經過修改的動物和目標的彩色圖像。比如,和高爾夫球表面相同材質的茶壺、身上有斑馬條紋的駱駝等等。結果VGG-19在40個對象中只有5個首選項是正確的。
第一個實驗中使用的部分圖像及實驗結果
「我們可以很容易地騙過這些人工智慧系統,」該研究論文共同作者之一,加州大學洛杉磯分校心理學教授Lujing Lu說。「這些系統的學習機制遠遠沒有人類思維複雜。」
第二個實驗中使用的部分圖像及實驗結果
在第二個實驗中,心理學家向VGG-19展示了一些玻璃雕塑的圖片,並向第二個深度學習網路展示了AlexNet。 VGG-19在所有測試兩個網路的實驗中表現更好。這兩個神經網路都使用ImageNet的圖像數據集訓練。
然而,兩個網路都未能識別出圖像中的玻璃雕塑。
第三個實驗中使用的部分圖像及實驗結果
在第三個實驗中,研究人員向VGG-19和AlexNet展示了40幅黑色輪廓的白色圖像。目的是為了檢驗神經網路是否能夠通過其形狀識別物體。
研究人員得出結論,人類可以識別整個物體,而人工智慧網路可以識別物體的碎片。
「這項研究表明,這些系統在接受訓練的圖像集合範圍內得到了正確答案,但沒有考慮形狀。而對於人類來說,目標的整體形狀是目標識別的主要形式,而目前的目標識別深度學習系統中似乎並不包括對整體形狀的識別。「Kellman說。
參考鏈接:
https://www.entrepreneur.com/article/326100
論文地址:
https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1006613
【加入社群】
新智元AI技術 產業社群招募中,歡迎對AI技術 產業落地感興趣的同學,加小助手微信號:aiera2015_2入群;通過審核後我們將邀請進群,加入社群後務必修改群備註(姓名 - 公司 - 職位;專業群審核較嚴,敬請諒解)。
※從入門到頭禿,2018年機器學習圖書TOP10
※為什麼我覺得Python爛的要死?原因有八
TAG:新智元 |