La técnica revolucionaria que cambió silenciosamente la visión artificial para siempre

En exploración espacial, existe el Premio Google Lunar X por colocar un rover en la superficie lunar. En medicina, existe el Premio Qualcomm Tricorder X por desarrollar un dispositivo similar a Star Trek para diagnosticar enfermedades. Incluso hay un incipiente Premio X de Inteligencia Artificial por desarrollar un sistema de IA capaz de ofrecer una charla TED cautivadora.

En el mundo de la visión artificial, el objetivo equivalente es ganar el Desafío de reconocimiento visual a gran escala de ImageNet. Esta es una competencia que se lleva a cabo todos los años desde 2010 para evaluar algoritmos de reconocimiento de imágenes. (Está diseñado para dar seguimiento a un proyecto similar llamado PASCAL VOC que se llevó a cabo desde 2005 hasta 2012).

Los concursantes en esta competencia tienen dos tareas simples. Ante una imagen de algún tipo, la primera tarea es decidir si contiene un tipo particular de objeto o no. Por ejemplo, un concursante podría decidir que hay autos en esta imagen pero no tigres. La segunda tarea es encontrar un objeto en particular y dibujar un cuadro a su alrededor. Por ejemplo, un concursante podría decidir que hay un destornillador en una determinada posición con un ancho de 50 píxeles y una altura de 30 píxeles.

Ah, y otra cosa: hay 1000 categorías diferentes de objetos que van desde el ábaco hasta el calabacín, y los concursantes tienen que buscar en una base de datos de más de 1 millón de imágenes para encontrar cada instancia de cada objeto. ¡Complicado!

Las computadoras siempre han tenido problemas para identificar objetos en imágenes reales, por lo que no es difícil creer que los ganadores de estas competencias siempre hayan tenido un desempeño pobre en comparación con los humanos.

Pero todo eso cambió en 2012 cuando un equipo de la Universidad de Toronto en Canadá ingresó un algoritmo llamado SuperVision, que arrasó con la oposición.

Hoy, Olga Russakovsky de la Universidad de Stanford en California y algunos amigos revisan la historia de esta competencia y dicen que, en retrospectiva, la amplia victoria de SuperVision fue un punto de inflexión para la visión artificial. Desde entonces, dicen, la visión artificial ha mejorado a un ritmo tan rápido que hoy rivaliza con la precisión humana por primera vez.

Entonces, ¿qué sucedió en 2012 que cambió el mundo de la visión artificial? La respuesta es una técnica llamada redes neuronales convolucionales profundas que el algoritmo Super Visison utilizó para clasificar los 1,2 millones de imágenes de alta resolución del conjunto de datos en 1000 clases diferentes.

Esta fue la primera vez que una red neuronal convolucional profunda ganó la competencia, y fue una clara victoria. En 2010, la entrada ganadora tuvo una tasa de error del 28,2 por ciento, en 2011 la tasa de error se redujo al 25,8 por ciento. Pero SuperVision ganó con una tasa de error de solo el 16,4 por ciento en 2012 (la segunda mejor entrada tuvo una tasa de error del 26,2 por ciento). Esa clara victoria aseguró que este enfoque haya sido ampliamente copiado desde entonces.

Las redes neuronales convolucionales consisten en varias capas de pequeñas colecciones de neuronas, cada una de las cuales observa pequeñas porciones de una imagen. Los resultados de todas las colecciones en una capa se superponen para crear una representación de la imagen completa. La capa inferior luego repite este proceso en la nueva representación de la imagen, lo que permite que el sistema aprenda sobre la composición de la imagen.

Las redes neuronales convolucionales profundas se inventaron a principios de la década de 1980. Pero es solo en los últimos años que las computadoras han comenzado a tener la potencia necesaria para el reconocimiento de imágenes de alta calidad.

SuperVision, por ejemplo, consta de unas 650.000 neuronas dispuestas en cinco capas convolucionales. Tiene alrededor de 60 millones de parámetros que deben ajustarse durante el proceso de aprendizaje para reconocer objetos en categorías particulares. Es este enorme espacio de parámetros el que permite el reconocimiento de tantos tipos diferentes de objetos.

Desde 2012, varios grupos han mejorado significativamente el resultado de SuperVision. Este año, un algoritmo llamado GoogLeNet, creado por un equipo de ingenieros de Google, logró una tasa de error de solo el 6,7 por ciento.

Uno de los grandes desafíos en la ejecución de este tipo de competencia es crear un conjunto de datos de alta calidad en primer lugar, dicen Russakovsky y compañía. Cada imagen en la base de datos debe anotarse en un estándar de oro que los algoritmos deben cumplir. También hay una base de datos de formación de unas 150.000 imágenes que también deben anotarse.

Esa no es una tarea fácil con una cantidad tan grande de imágenes. Russakovsky y compañía han hecho esto usando crowdsourcing en instalaciones como Mechanical Turk de Amazon, donde les piden a los usuarios humanos que categoricen las imágenes. Eso requiere una cantidad significativa de planificación, verificación cruzada y repetición cuando no funciona. Pero el resultado es una base de datos de imágenes de alta calidad anotadas con un alto grado de precisión, dicen.

Una pregunta interesante es cómo se comparan los mejores algoritmos con los humanos en lo que respecta al reconocimiento de objetos. Russakovsky y compañía compararon a los humanos con las máquinas y su conclusión parece inevitable. Nuestros resultados indican que un anotador humano capacitado es capaz de superar al mejor modelo (GoogLeNet) en aproximadamente un 1,7 %, afirman.

En otras palabras, no pasará mucho tiempo antes de que las máquinas superen significativamente a los humanos en tareas de reconocimiento de imágenes.

Los mejores algoritmos de visión artificial todavía tienen problemas con objetos que son pequeños o delgados, como una pequeña hormiga en el tallo de una flor o una persona que sostiene una pluma en la mano. También tienen problemas con las imágenes distorsionadas con filtros, un fenómeno cada vez más común con las cámaras digitales modernas.

Por el contrario, este tipo de imágenes rara vez preocupan a los humanos que tienden a tener problemas con otros problemas. Por ejemplo, no son buenos para clasificar objetos en categorías detalladas, como la especie particular de perro o pájaro, mientras que los algoritmos de visión artificial manejan esto con facilidad.

Pero la tendencia es clara. Está claro que los humanos pronto superarán a los modelos de clasificación de imágenes de última generación solo mediante el uso de un esfuerzo, experiencia y tiempo significativos, dicen Russakovsky y compañía.

O dicho de otra manera, es solo cuestión de tiempo antes de que su teléfono inteligente reconozca mejor el contenido de sus imágenes que usted.

Ref: http://arxiv.org/abs/1409.0575 : Desafío de reconocimiento visual a gran escala de ImageNet

esconder