首先人类向算法展示大量图片,有的图片有猫,有的没有。算法从图片中找到“特定模式”,然后用模式来做出判断,看看面对之前从未见过的图片该当贴若何的标签。
神经网络架构是根据人类视觉系统开拓的,网络各层连接在一起,从图片中提取抽象特点。神经网络系统通过一系列联系得出精确答案,不过全体处理过程十分神秘,人类每每只能在事实形成之后再阐明这个神秘的过程。研究职员修正图片,欺骗神经网络,看看会发生什么事。研究职员创造,纵然只是小小的修正,系统也会给出完备缺点的答案,当修正幅度很大时,系统乃至无法给图片贴标签。还有一些研究职员追溯网络,查看单个神经元会对图像做出若何的反应,理解系统学到了什么。
德国图宾根大学科学家Geirhos领导的团队采取独特方法进行研究。去年,团队揭橥报告称,他们用分外噪点滋扰图像,给图像降级,然后用图像演习神经网络,研究创造,如果将新图像交给系统处理,这些图像被人扭曲过(相同的扭曲),在识别扭曲图像时,系统的表现比人好。不过如果图像扭曲的办法稍有不同,神经网络就无能为力了,纵然在人眼看来图像的扭曲办法并无不同,算法也会犯错。当你在很长的韶光段内添加许多噪点,图中工具的形状基本不会受到影响;不过纵然只是添加少量噪点,局部位置的架构也会快速扭曲。研究职员想出一个妙招,对人类、深度学习系统处理图片的办法进行测试。
算法将图像分成为小块,接下来,它不会将信息逐步领悟,变成抽象高等特色,而是给每一小块下一个决定,比如这块包含自行车、那块包含鸟。再接下来,算法将决定凑集起来,判断图中是什么,比如有更多小块包含自行车线索,以是图中工具是自行车。算法不会考虑小块之间的空间关系。结果证明,在识别工具时系统的精准度很高。