دانشمندان هلندی و اسپانیایی راهی برای آموزش بهتر و سریعتر سیستم های هوش مصنوعی پیدا کرده اند.

آنها کشف کردند که چگونه سیستم تشخیص تصاویر که از هوش مصنوعی (AI) استفاده می کند می تواند در محیط خود بیاموزد.

در بسیاری از سیستم های مبتنی بر "یادگیری عمیق" ،نحوه فرایند یادگیری مشخص نیست . اکنون محققان دریافتندکه چگونه یک سیستم تشخیص تصویر با محیط خود آشنا می شودو با استفاده ازاطلاعات کم اهمیت ترسیستم یادگیری را نیز ساده کردند.سیستم های هوش مصنوعی برای تشخیص تصویر برای اتومبیل های رانندگی خودران ، برای شروع بسیار مهم هستند.

بر اساس بیانیه مطبوعاتی دانشگاه گرونینگن (RUG) ، سیستم های مورد بحث ، شبکه های عصبی کانولوشن (CCNs) هستند. اینها نوعی یادگیری عمیق در هوش مصنوعی با الهام از زیست شناسی هستند. این سیستم به لطف برهم کنش هزاران "نورون" یاد می گیرد که تصاویر را تشخیص دهد. اینها عملکرد مغز را تقلید می کنند.

مارتیتنز به بررسی بخش‌هایی از تصویر که توسط شبکه عصبی پیچشی برای تشخیص موقعیت استفاده می‌شد پرداخت و به این نظریه رسید که این سیستم‌ها از جزئیات کافی در تصویر استفاده نمی‌کنند.

او توضیح می‌دهد: برای مثال اگر سیستم هوش مصنوعی یک لیوان را با محیط آشپزخانه مرتبط بداند بنابراین در دسته‌بندی اتاق نشیمن و دفتر کار که در آنها نیز از لیوان استفاده می‌شود، دچار مشکل خواهد شد .

مارتینز و همکارانش برای حل این مشگل تصمیم گرفتند توجه هوش مصنوعی را از هدف اصلی خود منحرف کنند . آنها CNN ها را با استفاده از تصاویر استاندارد هواپیما یا اتومبیل آموزش دادند. سپس بخش‌هایی که هوش مصنوعی برای طبقه‌بندی تصاویر و تشخیص محیط استفاده می‌کرد را تار کردند. آن‌ها این سیستم را به استفاده از سایر بخش‌های تصویر برای تشخیص مجبور کردند و با اضافه شدن این داده‌ها، هوش مصنوعی قادر به طبقه‌بندی بهتر تصاویر شد.

به گفته‌ی محققان این روش آموزش هوش مصنوعی ساده‌تر است و زمان کمتری می‌برد .

215000511.174