Одной из наиболее сложных задач при обучении машин является система машинного зрения. Обеспечить наблюдение особенно трудно, так как оно требует умения выявлять, классифицировать и использовать объекты, зафиксированные в окружающем машину пространстве. Исследователи Кембриджского университета разработали две технологии, использующие для зрения роботов концепцию глубинного обучения, применяемого в системах ИИ.
Исследователи сосредоточили свои усилия на создании технологий, пригодных для беспилотных автомобилей (автономных транспортных средств) и для автономных роботов. Многие другие приложения, в том числе технология дополненной реальности и даже камеры наблюдения и слежения, также могут извлечь пользу из этих направлений исследований. Две новые технологии разрабатываются в рамках приложения SegNet и безымянной системы локализации.
SegNet предназначена для распознавания объектов в режиме реального времени, обеспечивая даже более точное распознавание, чем самые совершенные на сегодняшний день радиолокационные системы полуавтономных автомобилей. Взглянув на уличную ситуацию, система сразу определит имеющиеся объекты, классифицируя их по 12 категориям (дороги, дорожные знаки, пешеходы, здания и т. д.).
Система функционирует почти при любом освещении, включая ночное время, и делает это в режиме реального времени. И хотя в настоящее время SegNet ориентирована в первую очередь на городские условия, используя глубинное обучение можно расширить возможности и, в конечном итоге, обеспечить распознавание объектов в сельской местности, а также в различных погодных и климатических условиях.
«Удивительно хорошее распознавание объектов на изображении обеспечивается благодаря большой практике», - сказал Алекс Кендалл, аспирант на кафедре машиностроения. «Тем не менее, есть огромное количество возможностей для еще более точной настройки системы так, чтобы она становилась еще лучше».
«Обучением» системы занимались студенты старших курсов, которые ввели в нее 5000 изображений уличных сцен, каждая из которых имела вручную помеченные пиксели в качестве справочной информации. SegNet, обученная распознавать изображения с течением времени, делает это, в конце концов, без участия исследователей. Эта система в настоящее время открыта для общего пользования – любой может зайти на веб-сайт SegNet и загрузить изображение, чтобы увидеть отмеченные на нем компоненты.
Дополняющая SegNet система локализации предназначена для работы на аналогичной архитектуре (возможно, даже совместно). Она работает, чтобы распознать расположение на основе того, что будет увидено через камеру. При этом обеспечивается гораздо большая точность, чем у GPS. Система работает в любой ситуации, где камера может обозревать окрестности, в том числе в помещении, в туннелях и даже в условиях низкой освещенности.
Пока эта система локализации может распознавать в границах изученных мест в диапазоне нескольких метров, включая ориентацию по карте и по месту, например, когда камеры расположены внутри или вокруг здания. Система локализации изучает окружающую среду в процессе работы. Разработчики полагают, что технология первоначально будет использоваться для локально используемых элементов, таких как домашние роботы, но в конечном итоге распространится на такие более мобильные продукты, как беспилотные автомобили или носимые устройства.
Комментарии
(0) Добавить комментарий