Modelinize, beynin bölümlerinden birini taklit eden bir modül eklemek, bilgisayarlı görü modellerinin yaptığı yaygın hataları önleyebilir.
İnsan beyni bir görüntüyü yorumlarken ortamı, objenin rengini, ışığın üzerinde yarattığı gölgeyi ve bunun gibi daha birçok detayı anlamlandırırken zorlanmaz. Fakat nesne tanımlama uygulamaları böyle sorunlarla karşı karşıya. Görüntülerdeki cisimlerin en ufak bir değişikliğe uğraması onları tanımayı modeller için zor bir hale getiriyor. Ek olarak canlı varlıkların mimiklerini okumak ve nasıl bir ruh halinde olduklarını anlamak da bu modeller için oldukça güç. Hatta öyle ki bir kediyi bir ağaç sanması bile olası.
MIT, Harvard Üniversitesi ve IBM’den bir nörobilimci ekibi, bu modellere beynin görsel işleme sisteminin en erken aşamasını taklit edecek şekilde tasarlanmış yeni bir katman ekleyerek bu güvenlik açığını hafifletmenin bir yolunu geliştirdi. Yeni bir çalışmada, bu katmanın modellerin bu tür bir hataya karşı dayanıklılığını büyük ölçüde geliştirdiğini gösterdiler.
Çalışmanın baş yazarlarından olan ve aynı zamanda MIT doktora sonrası araştırmacılarından Tiago Marques, “Sadece modelleri beynin birincil görsel korteksine daha benzer hale getirerek, işlemenin bu tek aşamasında, birçok farklı türdeki bozulma ve bozulma karşısında sağlamlıkta oldukça önemli gelişmeler görüyoruz.” diyor.
Evrişimli sinir ağları genellikle otonom araçlar gibi yapay zeka kullanan projelerde kullanılmakta. Çalışmanın başyazarı olan Harvard lisansüstü öğrencisi Joel Dapello ise çalışmanın, modellerin insan vizyonuna daha uyumlu bir halde çalışmasına olanak sağladığını söylüyor. Ayrıca sistemlerin hataya daha az meyilli hale geldiğini de vurguluyor.
Bu ay NeurIPS konferansında sunulan çalışma aynı zamanda MIT yüksek lisans öğrencisi Martin Schrimpf, MIT misafir öğrencisi Franziska Geiger ve MIT-IBM Watson AI Lab Eş Direktörü David Cox tarafından ortaklaşa yazılmıştır.
Nesneleri tanıma, görsel sistemin temel işlevlerinden biridir. Saniyenin sadece küçük bir bölümünde görsel bilgi, ventral görsel akış yoluyla beynin alt temporal korteksine akar, burada nöronlar nesneleri sınıflandırmak için gereken bilgileri içerir. Ventral akıştaki her aşamada, beyin farklı türlerde işlemler gerçekleştirir. Ventral akımdaki ilk aşama olan V1, beynin en iyi karakterize edilmiş bölümlerinden biridir ve kenarlar gibi basit görsel özelliklere yanıt veren nöronları içerir. V1’de tanımlanan kenar, köşe gibi özellikler daha sonra doku ve şeklin kavranmasında kullanılıyor.
Günümüzün önde gelen bilgisayarlı görü sistemleri, beynin görsel işleme konusundaki mevcut bilgilerimiz tarafından halihazırda yönlendirilmektedir. Bununla birlikte, sinirbilimciler, tüm ventral görsel akışın, onu tam olarak taklit eden bir model oluşturmak için nasıl bağlantılı olduğunu hâlâ yeterince bilmiyorlar. Bu yüzden bazı görevlerde evrişimli sinir ağlarını eğitmek için makine öğrenmesi tekniklerini kullanıyorlar. Makine öğrenmesi sayesinde de model milyonlarca veri tarafından eğitildikten sonra artık nesneleri tanımada eskiye göre çok daha iyi bir hale gelmiş oluyor.
Evrişimli sinir ağları genel olarak çok iyi çalışıyor. Fakat araştırmacıların şöyle bir sorunu var: çoğu zaman bu ağların nasıl çalıştığını tam olarak anlayamamak.
Araştırmacılar şimdi V1 modellerinin, rakip saldırılara direnerek daha iyi bir iş çıkarmasını sağlayan temel özelliklerini belirlemeye çalışıyorlar, bu da gelecekteki modelleri daha da sağlam hale getirmelerine yardımcı olabilir. Ayrıca, insan beyninin nesneleri nasıl tanıyabildiği hakkında daha fazla bilgi edinmelerine yardımcı olabilir.
