Супружеская пара из США в свободное от работы время создала алгоритм в сфере, где данных для обучения одновременно и слишком мало, и слишком много. Они научили ИИ оценивать «энтропию» картин Рембрандта.
Программисты-любители создали необычный алгоритм анализа изображений с помощью нейросетей, который решает сразу две важнейших проблемы использования ИИ для распознавания. Заменив само изображение характеристикой «энтропии», они научились упрощать слишком детализированные снимки, а также генерировать достаточно большие сеты данных для обучения в случаях, когда их недостаточно. О работе Андреа и Стивена Франков рассказывает IEEE Spectrum.
Обычно достижения машинного обучения базируются на огромных массивах данных и мощностях для их анализа, которые пока недоступны в бытовых условиях. Но есть такие сферы, где данные одновременно и слишком сложны, и их недостаточно. Например, картины художников.
Новые полотна-сэмплы после смерти творца не появляются, а в то же время оцифрованные работы слишком велики для тренировки сверточной нейронной сети, объясняет Стивен Франк.
Франк работает в патентном бюро, а программированием занимается в свободное время. И он придумал остроумный способ обойти оба ограничения. Стивен и Андреа предположили, что в изображении могут быть закономерности, которые не считывают алгоритмы распознавания, оперирующие пикселями. Он называет эту характеристику «энтропией», имея в виду упорядоченность.
Для начала супруги Франк написали программу, которая «архивировала» полотна Рембрандта, высчитывая показатель энтропии, то есть их повторяемости. Для этого ИИ не понадобился. Но анализ полученных данных с помощью нейронной сети показал два важных факта.
Во-первых, с такой информацией работать намного проще, чем с высокодетализированными изображениями. Во-вторых, в показателях «энтропии» фрагментов картин найденные закономерности сохранялись.
Размножение данных
300 с лишним картин с подтвержденным авторством Рембрандта — это примерно 5% от минимальной выборки, необходимой для тренировки ИИ, указывает IEEE Spectrum. Для тренировки нейросети, которая бы отличала оригиналы от подделок, нужна библиотека из примерно 5000 изображений. А затем еще 5000 подделок и имитаций для проверки результата.
Франки опытным путем убедились, что фрагменты размером 400×400 пикселей сохраняют показатели «энтропии», характерные для целых картин. Они разбили цельные картины художника на 13 000 сэмплов — и натренировали сверточную нейросеть на этом массиве данных.
Стивен утверждает, что обученный таким образом ИИ распознает оригиналы Рембрандта с точностью 90,4%. Причем наилучшие результаты дает анализ не отдельных мазков, а довольно больших фрагментов композиций — например, головы, когда речь идет о портрете.
«Это говорит нам о том, что современники Рембрандта, вероятно, очень хорошо имитировали его на уровне мазка… Если вы действительно хотите увидеть, что отличает Рембрандта, вы должны взглянуть на большую часть холста и на более высокий уровень композиции», — рассуждает он.
По мнению Франка, та же технология может значительно сократить ресурсы и одновременно повысить качество работы многих медицинских алгоритмов. Сейчас для нужд ИИ полученные в ходе радиологических исследований изображения часто уменьшают. Как и картины, они чересчур детальны для того, чтобы быстро обучить нейросеть и применять ее на практике.
«Архивирующая» до показателей энтропии надстройка позволит проанализировать данные во всей полноте.
Journal information