Konenäölle nyt myös konesilmät

Duke Universityn ja Ranskan Institut de Physique de Nicen insinöörit ovat kehittäneet uuden mikroaaltokuvauksen menetelmän esineiden tunnistamiseksi, tavalla, joka parantaa tarkkuutta ja vähentää samalla laskenta-aikaa ja tehovaatimuksia.

Järjestelmä voisi antaa parannuksen esineiden tunnistamiseen ja nopeuteen aloilla, joilla molemmat ovat kriittisiä, kuten autonomiset ajoneuvot, turvatarkastukset ja liiketunnistus.

Uusi koneoppimismenetelmä poistaa välittäjän ja ohittaa vaiheen, jossa kuva luodaan ihmisen analysoitavaksi. Sen sijaan se analysoi puhdasta dataa suoraan. Periaatteellisessa kokeilussa asetelma tunnisti oikein 3D-numerojoukon käyttämällä kymmeniä mittauksia tyypillisesti vaadittavien satojen tai tuhansien sijasta.

"Kohteiden tunnistusjärjestelmät yleensä mittaavat ja käyvät läpi kaiken tämän vaivan tehdäkseen kuvan ihmisille katsottavaksi ja arvotettavaksi", toteaa Duken Roarke Horstmeyer. "Mutta se on tehotonta, koska tietokoneen ei tarvitse ”katsoa” kuvaa ollenkaan."

Uusi lähestymistapa antaa myös ohjelmalle mahdollisuuden kaapata yksityiskohtia, jotka perinteisessä kuvanmuodostusprosessissa voivat jäädä huomiotta, samalla kun se sivuttaa muita yksityiskohtia, joita ei tarvita.

"Yritämme periaatteessa nähdä esineen suoraan koneen silmillä," tutkijat kommentoivat. Tieteellisemmin ilmaistuna he osoittivat "oppineen integroidun sensorointikanavan" (learned integrated sensing pipeline LISP), joka sisältää sekä fyysisen että prosessoinnin toiminnot. Ne mahdollistavat optimaalisten mittausstrategioiden ja vastaavan prosessointialgoritmin yhteisen oppimisen hyödyntäen etukäteistä tietämystä tehtävästä, näkymästä ja mittausrajoituksista.

Kuvassa esitetyn kohteen tunnistuksessa käytetyn laitteiston radioaallon lähde (takapaneeli) luo aaltorintaman (keskimmäinen paneeli), jonka metamateriaaliseula muotoilee ja sallii aaltojen kulkea läpi vain tietyissä paikoissa (etupaneeli). Dynaamiset metamateriaalin kuvausaukot pystyvät sekä lähettämään että vastaanottamaan mikroaaltokuvioita.

Sitten tietokone analysoi saapuvan signaalin ja yrittää tunnistaa kohteen. Toistamalla prosessi tuhansia kertoja erilaisille variaatioille, koneoppimisalgoritmi löytää lopulta, mitkä osat informaatiota ovat tärkeimpiä ja mitkä sekä lähetys- että vastaanottoantennien asetukset ovat parhaimmat niiden keräämisessä.

Nyt tutkijat yrittävät jo käyttää uutta konseptiaan kädenliikkeen ja eleiden tunnistamisen optimoimiseksi seuraavan sukupolven tietokoneiden rajapinnoille.

On paljon muita alueita, joissa parannuksia mikroaaltohavainnointiin tarvitaan, ja tämäntyyppisten metamateriaalien pieni koko, alhaiset kustannukset ja helppo valmistettavuus tekevät niistä lupaavia ehdokkaita tuleville laitteille.

Aiheesta aiemmin: Itseoppimiseen tukeutuva konenäkö