آموزشبینایی ماشین

درس ۳ از ۸۱، هوش مصنوعی، حدود ۲۵ دقیقه خواندن

چرا دیدن برای ماشین سخت است

جواب کوتاه

دیدن، برای آدم، آسون به نظر میاد؛ ولی برای ماشین، خیلی سخته، چون یه چیز، توی شرایط مختلف، جدول عددهای کاملا متفاوتی می‌سازه. مثل یه دوست صمیمی که شما، از دور، توی تاریکی، با کلاه، از پشت، یا نیمه‌پنهان توی شلوغی، فورا می‌شناسیدش؛ ولی برای کامپیوتر، هر کدوم از این عکس‌ها، یه جدول عدد کاملا جداست. یه درس‌نامه‌ی شناخته‌شده‌ی دانشگاهی، هفت چالش اصلی رو می‌گه: زاویه‌ی دید؛ اندازه؛ تغییر شکل، مثل گربه‌ای که کش میاد یا جمع می‌شه؛ پنهان شدن پشت چیزهای دیگه، گاهی تا جایی که فقط چند پیکسل پیداست؛ نور، که اثرش روی پیکسل‌ها شدیده؛ پس‌زمینه‌ی شلوغ؛ و تنوع درون یه دسته، مثل صندلی که هزار شکل داره. و می‌گه یه مدل خوب، باید به ضرب همه‌ی این حالت‌ها، بی‌حساس باشه، و همزمان، فرق بین دسته‌ها رو حس کنه. همون درس‌نامه نشون می‌ده چرا مقایسه‌ی ساده‌ی پیکسل‌ها جواب نمی‌ده: عکس‌هایی که از نظر پیکسل نزدیکن، بیشتر رنگ و پس‌زمینه‌ی شبیه دارن تا معنی شبیه؛ مثلا یه سگ و یه قورباغه، چون هر دو روی پس‌زمینه‌ی سفیدن.

یه دوست، توی هزار حالت

درس قبل گفت بینایی ماشین، از عکس، معنی می‌سازه. این درس، می‌گه چرا این کار، اینقدر سخته. یه دوست صمیمی رو تصور کنید. اون رو، از ته یه خیابون، توی تاریکی شب، با یه کلاه بزرگ، از پشت، یا وقتی نصفش پشت آدم‌های دیگه توی شلوغی پنهانه، فورا می‌شناسید. حتی بی فکر کردن.

ولی اگه از همه‌ی این حالت‌ها، عکس بگیرید و به یه کامپیوتر بدید، برای اون، هر کدوم، یه جدول عدد کاملا متفاوته. هیچ عدد مشترکی، بینشون نیست که بگه «این، همون آدمه». این، مشکل اصلی بینایی ماشینه.

چرا برای ما، آسون به نظر میاد

یه درس‌نامه‌ی شناخته‌شده‌ی دانشگاهی درباره‌ی بینایی ماشین، می‌گه شناختن یه مفهوم دیداری، مثل گربه، برای آدم، نسبتا ساده‌ست؛ ولی ارزش داره که چالش‌هاش رو، از دید یه الگوریتم کامپیوتری، ببینیم.

دلیلش، اینه که ما، از روزی که به دنیا اومدیم، میلیون‌ها بار، چیزها رو توی حالت‌های مختلف دیدیم؛ و مغزمون، بی اینکه بفهمیم، یاد گرفته همه‌ی این حالت‌ها رو، به یه چیز وصل کنه. این یادگیری، اونقدر عمیقه که حتی متوجهش نمی‌شیم؛ و برای همین، فکر می‌کنیم دیدن، کار ساده‌ایه.

عددها، کامل عوض می‌شن

همون درس‌نامه، می‌گه وقتی به این چالش‌ها فکر می‌کنید، یادتون باشه که عکس، برای کامپیوتر، یه آرایه‌ی سه‌بعدی از عددهای روشناییه. یعنی هر تغییری توی عکس، حتی کوچیک، عددها رو عوض می‌کنه.

مثلا اگه یه گربه، فقط یه کم به چپ بره، تقریبا همه‌ی عددهای جدول، جابه‌جا می‌شن. اگه چراغ اتاق، روشن‌تر بشه، همه‌ی عددها، بزرگ‌تر می‌شن. برای کامپیوتر، این‌ها، دو عکس کاملا متفاوتن؛ هر چند برای ما، همون گربه‌ست، همون‌جا.

هفت چالش اصلی

همون درس‌نامه، یه فهرست از چالش‌های اصلی می‌ده، و خودش می‌گه این فهرست، کامل نیست؛ یعنی چالش‌های دیگه‌ای هم هست. هفت تا: زاویه‌ی دید؛ اندازه؛ تغییر شکل؛ پنهان شدن؛ نور؛ پس‌زمینه‌ی شلوغ؛ و تنوع درون یه دسته.

بخش‌های بعدی، هر کدوم رو، با یه مثال روزمره، باز می‌کنن؛ و می‌گن چه چیزی، به حل اون کمک می‌کنه. یادتون باشه که توی دنیای واقعی، این چالش‌ها، معمولا، با هم میان؛ نه یکی‌یکی.

چالش ۱: زاویه‌ی دید

همون درس‌نامه، می‌گه یه شیء، می‌تونه نسبت به دوربین، به شکل‌های خیلی متفاوتی قرار بگیره. یه لیوان از بغل، یه مستطیل با یه دسته‌ست؛ از بالا، یه دایره. یه ماشین از جلو، با یه ماشین از بغل، تقریبا هیچ شباهتی، توی عددها، نداره.

آدم، با دیدن یه لیوان از چند زاویه، می‌فهمه که همه، یه لیوانن. ماشین، باید همین رو، از مثال‌ها یاد بگیره؛ یعنی داده‌ی آموزشش، باید شامل عکس‌هایی از زاویه‌های مختلف باشه. اگه فقط عکس از بغل ببینه، شاید لیوانی که از بالا دیده می‌شه رو، نشناسه.

چالش ۲: اندازه

همون درس‌نامه، می‌گه دسته‌های دیداری، معمولا، تنوع اندازه دارن؛ و منظورش، فقط اندازه توی عکس نیست، اندازه توی دنیای واقعی هم هست. یه صندلی کوچیک بچه، با یه صندلی بزرگ اداری، هر دو صندلی‌ان.

و توی عکس، یه چیز، بسته به فاصله از دوربین، می‌تونه کل عکس رو بگیره، یا فقط چند پیکسل باشه. یه ماشین، که جلوی دوربینه، صدها هزار پیکسله؛ همون ماشین، ته خیابون، شاید چند ده پیکسل. مدل، باید هر دو رو، ماشین بدونه.

چالش ۳: تغییر شکل

همون درس‌نامه، می‌گه خیلی از چیزهایی که برامون مهمن، جسم سخت نیستن، و می‌تونن به شکل‌های خیلی شدید، تغییر شکل بدن. یه گربه، وقتی خوابیده، یه توپ گرده؛ وقتی کش میاد، یه خط بلند؛ و وقتی می‌پره، یه شکل کاملا دیگه.

آدم‌ها هم، همین‌طورن: نشسته، ایستاده، دراز کشیده، یا در حال دویدن. یه ماشین، که شکلش ثابته، برای این چالش، آسون‌تره؛ ولی حیوون‌ها، آدم‌ها، لباس‌ها، و هر چیز نرمی، برای مدل، سخت‌ترن.

چالش ۴: پنهان شدن

همون درس‌نامه، می‌گه چیزهایی که دنبالشونیم، ممکنه پشت چیزهای دیگه پنهان بشن؛ و گاهی، فقط یه تیکه‌ی خیلی کوچیک ازشون، حتی چند پیکسل، پیداست. یه گربه پشت مبل، که فقط دمش پیداست؛ یا یه آدم توی جمعیت، که فقط سرش دیده می‌شه.

آدم، از یه دم، می‌فهمه پشت مبل، یه گربه‌ست؛ چون می‌دونه دم، مال چیه. ماشین هم، باید یاد بگیره از یه تیکه، کل چیز رو حدس بزنه؛ و این، یکی از سخت‌ترین چالش‌هاست، مخصوصا توی صحنه‌های شلوغ، مثل خیابون.

چالش ۵: نور

همون درس‌نامه، می‌گه اثر نور، روی سطح پیکسل‌ها، شدیده. یه سیب قرمز، زیر نور آفتاب، و همون سیب، توی سایه‌ی شب، دو جدول عدد کاملا متفاوتن؛ و حتی رنگش، توی عددها، دیگه قرمز به نظر نمیاد.

آدم، به طور خودکار، نور رو جبران می‌کنه؛ می‌دونه سیب، توی سایه هم، قرمزه. ماشین، باید این رو یاد بگیره؛ یا با عکس‌هایی از نورهای مختلف توی داده‌ی آموزش، یا با پردازش تصویر پیش از مدل، که درس قبل گفت، مثل یکسان کردن روشنایی.

چالش ۶: پس‌زمینه‌ی شلوغ

همون درس‌نامه، می‌گه چیزهایی که دنبالشونیم، ممکنه توی محیطشون، گم بشن و تشخیصشون، سخت بشه. یه پروانه‌ی رنگی، روی گل‌های رنگی؛ یه حیوون، با رنگ استتار، توی طبیعت؛ یا یه کلید، روی یه میز شلوغ.

برای ماشین، این چالش، دو طرف داره: هم پیدا کردن چیز، توی پس‌زمینه‌ی شلوغ سخته؛ و هم، همون‌طور که پایین‌تر می‌بینیم، مدل ممکنه به جای خود چیز، پس‌زمینه رو یاد بگیره؛ مثلا یاد بگیره «هر جا آب هست، قایقه».

چالش ۷: تنوع درون یه دسته

همون درس‌نامه، می‌گه دسته‌هایی که دنبالشونیم، اغلب، خیلی گسترده‌ان؛ و مثال می‌زنه: صندلی. صندلی، هزار شکل داره: چوبی، فلزی، راحتی، تاشو، پایه‌دار، بی‌پایه، و هر کدوم، ظاهر خودشون رو دارن.

آدم، از کاربرد می‌فهمه: «چیزیه که روش می‌شینیم». ولی ماشین، فقط ظاهر رو می‌بینه؛ و باید یاد بگیره که این‌همه ظاهر متفاوت، همه، یه دسته‌ان. هر چی یه دسته، گسترده‌تر باشه، مدل، مثال‌های متنوع‌تری لازم داره.

سه مرحله‌ی دسته‌بندی

همون درس‌نامه، کار دسته‌بندی تصویر رو، سه مرحله می‌دونه. ورودی: یه مجموعه از عکس‌ها، که هر کدوم، یه برچسب از چند دسته‌ی مشخص داره؛ به این مجموعه، داده‌ی آموزش می‌گن. یادگیری: استفاده از این داده، برای یاد گرفتن اینکه هر دسته، چه شکلیه؛ که بهش آموزش مدل می‌گن.

و ارزیابی: سنجیدن مدل، روی عکس‌هایی که هیچ‌وقت ندیده، تا ببینیم چقدر درست حدس می‌زنه. همه‌ی هفت چالش، توی همین مرحله‌ی آخر، خودشون رو نشون می‌دن: اگه مدل، یکی از چالش‌ها رو خوب یاد نگرفته باشه، روی عکس‌های تازه‌ای که اون چالش رو دارن، اشتباه می‌کنه.

آدم‌ها هم، گاهی اشتباه می‌کنن

برای انصاف، آدم‌ها هم، توی شرایط سخت، اشتباه می‌کنن. توی تاریکی، یه سایه رو، آدم می‌بینیم؛ از دور، یه غریبه رو، با یه دوست، اشتباه می‌گیریم؛ و خطاهای دیداری معروف، نشون می‌دن چشم و مغز ما هم، گول می‌خورن.

فرق، اینه که اشتباه‌های ما و ماشین، معمولا، از یه جنس نیستن. ماشین، گاهی جایی اشتباه می‌کنه که برای ما، خیلی ساده‌ست؛ و گاهی، جایی درست می‌بینه که ما، اشتباه می‌کنیم. برای همین، کار با هم، معمولا، از هر کدوم، تنها، بهتره.

دو چیز شبیه، دو دسته

طرف دیگه‌ی همون جمله‌ی کلیدی، حساس بودن به فرق دسته‌هاست. گاهی، دو دسته‌ی متفاوت، خیلی شبیه همن: یه گرگ و یه سگ بزرگ؛ یه کلوچه‌ی کشمشی و یه توله‌سگ با خال‌های تیره، از نزدیک؛ یا دو نوع قارچ، که یکی خوراکیه و یکی سمی.

مدل، باید یاد بگیره به جزئیات کوچیکی که این دسته‌ها رو جدا می‌کنن، توجه کنه؛ در حالی که همزمان، تغییرهای بزرگی مثل نور و زاویه رو، نادیده بگیره. این، یکی از دلیل‌هاییه که کار رو، اینقدر ظریف می‌کنه.

بی‌حساس به این‌ها؛ حساس به فرق‌ها

همون درس‌نامه، یه جمله‌ی کلیدی داره: یه مدل خوب دسته‌بندی تصویر، باید به ضرب همه‌ی این تنوع‌ها، بی‌حساس باشه، و همزمان، حساسیتش به تفاوت بین دسته‌ها رو نگه داره.

یعنی دو کار متضاد، هم‌زمان: از یه طرف، نباید فرق زاویه، نور، و اندازه، روی جوابش اثر بذاره؛ گربه، گربه‌ست. از طرف دیگه، باید فرق‌های ریز بین یه گربه و یه روباه کوچیک رو، که شاید توی یه عکس، خیلی شبیه به هم باشن، ببینه. همین تعادل، کار رو سخت می‌کنه.

ضرب حالت‌ها

کلمه‌ی «ضرب» توی جمله‌ی بالا، مهمه. این چالش‌ها، جدا جدا نمیان؛ با هم ضرب می‌شن. یه گربه، می‌تونه از هر زاویه‌ای، توی هر اندازه‌ای، با هر حالتی، نیمه‌پنهان یا کامل، توی هر نوری، و روی هر پس‌زمینه‌ای، باشه.

اگه برای هر چالش، فقط ده حالت در نظر بگیریم، ضرب هفت تا ده، یعنی ده میلیون ترکیب. و این، فقط برای یه گربه‌ست، از یه نژاد. برای همین، نمی‌شه همه‌ی حالت‌ها رو، یکی‌یکی، به مدل نشون داد؛ مدل، باید یاد بگیره «تعمیم» بده.

چرا مقایسه‌ی ساده‌ی پیکسل‌ها، جواب نمی‌ده

یه فکر ساده، اینه: برای شناختن یه عکس تازه، اون رو با همه‌ی عکس‌های برچسب‌دار، پیکسل به پیکسل، مقایسه کنیم، و نزدیک‌ترین رو پیدا کنیم. همون درس‌نامه، همین روش رو امتحان می‌کنه، و نشون می‌ده که توی کارهای واقعی دسته‌بندی تصویر، به ندرت مناسبه.

و یه تصویر جالب نشون می‌ده: یه عکس اصلی، و سه عکس دیگه، که از نظر فاصله‌ی پیکسلی، دقیقا به یه اندازه از اون دورن؛ در حالی که از نظر ما، اصلا شبیه نیستن. و می‌گه فاصله‌ی پیکسلی، اصلا با شباهت دیداری یا معنایی، جور نیست.

سگ و قورباغه

همون درس‌نامه، یه مثال به‌یادموندنی می‌زنه: وقتی عکس‌ها رو بر اساس فاصله‌ی پیکسلی کنار هم می‌چینن، عکس‌هایی که نزدیک هم می‌افتن، بیشتر، رنگ کلی و نوع پس‌زمینه‌ی شبیه دارن، نه معنی شبیه. مثلا یه سگ، خیلی نزدیک یه قورباغه دیده می‌شه، فقط چون هر دو، روی پس‌زمینه‌ی سفیدن.

این، دقیقا همون خطر چالش ششمه: اگه مدل، فقط عددها رو مقایسه کنه، پس‌زمینه رو یاد می‌گیره، نه خود چیز رو. و یه سگ روی چمن، از نظرش، به یه گوسفند روی چمن، نزدیک‌تره تا یه سگ روی برف.

چرا این اتفاق می‌افته

چون توی بیشتر عکس‌ها، پس‌زمینه، تعداد خیلی بیشتری پیکسل داره تا خود چیز. یه سگ کوچیک، توی یه عکس، شاید یه دهم پیکسل‌ها رو داشته باشه؛ بقیه، چمن و آسمونن. پس اگه فقط پیکسل‌ها رو بشمریم، پس‌زمینه، برنده‌ست.

همون درس‌نامه، در جمع‌بندیش، همین رو می‌گه: استفاده از فاصله، روی مقدار خام پیکسل‌ها، کافی نیست؛ چون این فاصله‌ها، بیشتر با پس‌زمینه و رنگ کلی عکس جور می‌شن، تا با محتوای معنایی‌شون. راه حل، مدل‌هاییه که یاد بگیرن کجای عکس، مهمه.

چی کمک می‌کنه

پس چطوری بینایی ماشین، با این‌همه چالش، امروز، اینقدر خوب کار می‌کنه؟ سه چیز، بیشتر از همه، کمک کردن. یک: داده‌ی خیلی زیاد و متنوع؛ همون رویکرد داده‌محور که درس اول گفت. دو: مدل‌هایی که خودشون، یاد می‌گیرن کدوم الگوها مهمن؛ مثل شبکه‌های عصبی کانولوشنی، که ایستگاه‌های بعدی این مسیر بازشون می‌کنن.

سه: کامپیوترهای قوی‌تر، که آموزش این مدل‌ها، روی این‌همه داده، رو شدنی کردن. هیچ‌کدوم، به تنهایی، کافی نبود؛ با هم، جهش بزرگ رو ساختن.

داده، باید متنوع باشه

تعداد زیاد عکس، کافی نیست؛ تنوع، مهم‌تره. اگه هزار عکس از گربه داشته باشید، ولی همه، از روبه‌رو، توی روز، روی فرش قرمز، مدل، فقط گربه‌ی روبه‌رو، توی روز، روی فرش قرمز رو، خوب می‌شناسه.

برای هر کدوم از هفت چالش، داده باید نمونه داشته باشه: زاویه‌های مختلف، اندازه‌های مختلف، حالت‌های مختلف، نیمه‌پنهان، نورهای مختلف، پس‌زمینه‌های مختلف، و نژادهای مختلف. هر چالشی که توی داده نباشه، احتمالا، مدل، توش ضعیف می‌مونه.

ساختن تنوع، از عکس‌های موجود

یه ایده‌ی رایج، برای بیشتر کردن تنوع، اینه که از هر عکس آموزشی، چند نسخه‌ی کمی متفاوت بسازید: کمی چرخیده، کمی روشن‌تر یا تاریک‌تر، کمی بزرگ‌تر یا بریده‌شده، یا آینه‌شده. به انگلیسی، بهش Data Augmentation می‌گن؛ یعنی افزایش داده.

این ایده، دقیقا با همون چالش‌ها جور می‌شه: چرخوندن، برای زاویه؛ بزرگ و کوچیک کردن، برای اندازه؛ تغییر روشنایی، برای نور. و جالبه که این نسخه‌ها، با همون ابزارهای پردازش تصویر که درس قبل گفت، ساخته می‌شن.

چقدر داده لازمه

همون درس‌نامه، می‌گه توی عمل، ممکنه هزاران دسته، و صدها هزار عکس برای هر دسته، داشته باشیم. این، برای مدل‌های بزرگ و همه‌کاره‌ست؛ برای یه کار کوچیک و مشخص، معمولا، خیلی کمتر کافیه.

مثلا برای تشخیص اینکه یه محصول، روی یه خط تولید، سالمه یا معیوب، که شرایط نور و زاویه، تقریبا ثابته، تعداد خیلی کمتری عکس، کافیه. هر چی شرایط، کنترل‌شده‌تر، و چالش‌ها کمتر، داده‌ی کمتری لازمه.

ویدیو، چالش‌های بیشتری داره

توی ویدیو، همه‌ی این چالش‌ها، هستن؛ به اضافه‌ی چند تا دیگه. مثلا تاری حرکت، وقتی چیزی سریع حرکت می‌کنه؛ عوض شدن مداوم زاویه و اندازه، وقتی چیزی به دوربین نزدیک یا دور می‌شه؛ و چیزهایی که برای چند لحظه، پشت چیز دیگه‌ای پنهان می‌شن و دوباره پیدا می‌شن.

ولی ویدیو، یه کمک هم داره: پشت سر هم بودن فریم‌ها. اگه توی یه فریم، یه چیز، نیمه‌پنهانه، توی فریم قبلی یا بعدی، شاید کامل پیدا باشه. استفاده از این پیوستگی، یکی از ایده‌های مهم کار با ویدیوئه.

آزمایشگاه، و دنیای واقعی

خیلی از مدل‌ها، توی آزمایش، روی عکس‌هایی شبیه داده‌ی آموزششون، خیلی خوب کار می‌کنن؛ ولی توی دنیای واقعی، که شرایط، شلوغ‌تر و غیرمنتظره‌تره، ضعیف‌تر می‌شن. یه دوربین که توی کارگاه روشن آموزش دیده، شاید توی یه روز ابری، یا با یه چراغ سوخته، اشتباه کنه.

برای همین، پیش از استفاده‌ی واقعی از هر سیستم بینایی ماشین، باید اون رو، توی همون شرایط واقعی، با عکس‌هایی که هیچ‌وقت ندیده، امتحان کرد؛ و بعد از راه‌اندازی هم، مراقبش بود.

اشتباه‌هایی که برای ما، خنده‌دارن

گاهی، مدل‌های بینایی ماشین، اشتباه‌هایی می‌کنن که برای آدم، خنده‌دار یا عجیبه: یه کیک رو، سگ می‌بینن؛ یا یه سایه رو، آدم. دلیلش، همین درس‌ه: مدل، الگوهای عددی رو یاد گرفته، نه معنی رو، مثل ما.

و اگه یه الگوی عددی، مثلا یه بافت یا یه ترکیب رنگ، توی داده‌ی آموزش، همیشه با یه دسته اومده باشه، مدل، شاید همون الگو رو، نشونه‌ی اون دسته بدونه؛ حتی وقتی چیز دیگه‌ای توی عکسه. شناختن این ضعف، کمک می‌کنه بهتر ازش استفاده کنیم.

این، برای ما، چه معنی داره

برای کسی که از ابزارهای بینایی ماشین استفاده می‌کنه، مثل قفل چهره‌ی گوشی یا جست‌وجوی عکس، این درس، یه پیام ساده داره: این ابزارها، توی شرایط معمولی، خوبن؛ ولی توی شرایط سخت، مثل نور خیلی کم، زاویه‌ی عجیب، یا وقتی بخشی از چیز پنهانه، ممکنه اشتباه کنن.

مثلا اگه قفل چهره، توی تاریکی، باز نمی‌شه، دلیلش، احتمالا چالش نوره. و اگه جست‌وجوی «گربه»، یه عکس عجیب نشون می‌ده، دلیلش، احتمالا پس‌زمینه یا یه الگوی گمراه‌کننده‌ست. دونستن این، از ناامیدی و اعتماد بی‌جا، هر دو، جلوگیری می‌کنه.

برای صاحب‌های کسب‌وکار

اگه به استفاده از بینایی ماشین توی کسب‌وکارتون فکر می‌کنید، هفت چالش رو، روی شرایط خودتون، بسنجید: نور، ثابته یا عوض می‌شه؟ زاویه‌ی دوربین، ثابته؟ چیزها، ممکنه پشت هم پنهان بشن؟ پس‌زمینه، تمیزه یا شلوغ؟

هر چی شرایط، کنترل‌شده‌تر باشه، کار، آسون‌تر، ارزون‌تر، و دقیق‌تره. خیلی وقت‌ها، کنترل کردن شرایط، مثل گذاشتن یه چراغ ثابت و یه پس‌زمینه‌ی یکدست، از داشتن یه مدل پیچیده‌تر، کمک بیشتری می‌کنه.

برای هر سنی

یه بازی ساده، این درس رو، برای هر سنی، روشن می‌کنه: از یه چیز توی خونه، مثلا یه لیوان، ده عکس بگیرید؛ از زاویه‌های مختلف، توی نورهای مختلف، دور و نزدیک، و نیمه‌پنهان پشت یه چیز دیگه. بعد، عکس‌ها رو کنار هم بذارید.

ببینید چقدر با هم فرق دارن؛ و با این حال، شما، توی همه‌شون، فورا، لیوان رو می‌شناسید. حالا تصور کنید کسی، که هیچ‌وقت لیوان ندیده، فقط با این ده عکس، باید یاد بگیره لیوان چیه. این، کار هر روز بینایی ماشینه.

چند واژه

Viewpoint Variation، یعنی تنوع زاویه‌ی دید. Scale Variation، یعنی تنوع اندازه. Deformation، یعنی تغییر شکل. Occlusion، یعنی پنهان شدن. Illumination، یعنی نور. Background Clutter، یعنی پس‌زمینه‌ی شلوغ.

Intra-class Variation، یعنی تنوع درون یه دسته. Invariance، یعنی بی‌حساسی به یه تغییر. Generalization، یعنی تعمیم؛ کار کردن روی چیزهای ندیده. Data Augmentation، یعنی افزایش داده با ساختن نسخه‌های متفاوت.

جواب کوتاه

اگه کسی پرسید «چرا دیدن برای ماشین سخته»:

چون یه چیز، توی شرایط مختلف، جدول عددهای کاملا متفاوتیه؛ مثل یه دوست که ما توی هر حالتی می‌شناسیم، ولی برای کامپیوتر، هر عکسش یه جدول جداست. هفت چالش اصلی: زاویه، اندازه، تغییر شکل، پنهان شدن، نور، پس‌زمینه‌ی شلوغ، و تنوع درون یه دسته؛ و این‌ها، با هم ضرب می‌شن. مدل خوب، باید به این‌ها بی‌حساس، و به فرق دسته‌ها حساس باشه. مقایسه‌ی ساده‌ی پیکسل‌ها، بیشتر پس‌زمینه رو می‌بینه؛ مثل سگ و قورباغه روی سفید. راه: داده‌ی زیاد و متنوع، و مدل‌هایی که خودشون یاد می‌گیرن.

چند باور رایج

  • «دیدن، کار ساده‌ایه.» برای ما؛ نه برای ماشین.
  • «عکس‌های بیشتر، کافیه.» تنوع، مهم‌تره.
  • «پیکسل‌ها رو مقایسه کنیم، کافیه.» پس‌زمینه رو می‌بینه، نه معنی رو.
  • «اگه توی آزمایش خوب بود، همه‌جا خوبه.» دنیای واقعی، شلوغ‌تره.
  • «اشتباه عجیب، یعنی مدل خرابه.» یعنی الگوی عددی گمراهش کرده.

یه مثال

یه گروه، یه مدل ساخت که از روی عکس، تشخیص بده یه گیاه گلدونی، تشنه‌ست یا نه. توی آزمایش، عالی کار می‌کرد. ولی وقتی چند نفر، توی خونه‌هاشون امتحانش کردن، خیلی اشتباه کرد.

معلوم شد همه‌ی عکس‌های «تشنه» توی داده‌ی آموزش، شب گرفته شده بودن، و عکس‌های «سالم»، روز؛ مدل، به جای برگ‌های پژمرده، یاد گرفته بود تاریکی رو تشخیص بده: همون چالش نور. داده رو، با عکس‌های روز و شب از هر دو دسته، از زاویه‌ها و پس‌زمینه‌های مختلف، دوباره ساختن؛ و این بار، مدل، واقعا، به برگ‌ها نگاه کرد.

تمرین امروز

امروز، هفت چالش رو، با یه چیز توی خونه، ببینید.

  1. یه چیز ساده، مثل یه لیوان، انتخاب کنید.
  2. ازش عکس بگیرید: از سه زاویه، دور و نزدیک، توی نور زیاد و کم.
  3. یه عکس هم بگیرید که نصفش پشت یه چیز دیگه پنهان باشه، و یکی روی یه پس‌زمینه‌ی شلوغ.
  4. عکس‌ها رو کنار هم بذارید و ببینید چقدر با هم فرق دارن.
  5. توی گالری گوشی، کلمه‌ی همون چیز رو جست‌وجو کنید و ببینید کدوم عکس‌ها رو پیدا کرد و کدوم‌ها رو نه.

درس بعدی، چهار کار اصلی بینایی ماشین رو باز می‌کنه.

جمع‌بندی. آنچه از این درس با خودتان می‌برید.

  • یه چیز، توی شرایط مختلف، جدول عددهای کاملا متفاوت.
  • هفت چالش: زاویه، اندازه، تغییر شکل، پنهان شدن، نور، پس‌زمینه، تنوع دسته.
  • مدل خوب: بی‌حساس به این‌ها، حساس به فرق دسته‌ها.
  • مقایسه‌ی پیکسل‌ها، رنگ و پس‌زمینه رو می‌بینه، نه معنی رو.
  • راه: یادگیری از مثال‌های خیلی زیاد و متنوع.

خودتون رو بسنجید

۱۵ پرسش، هر بار تازه از میان ۳۰ پرسش این درس. آخرش فقط کارنامه رو می‌بینید: چند تا درست، چند تا نادرست.

خودتون رو بسنجید

۱۵ پرسش

  • هر بار پرسش‌ها و ترتیب گزینه‌ها عوض می‌شه.
  • تا آخر نمی‌گیم کدوم جواب درست بوده؛ می‌تونید برگردید و جوابتون رو عوض کنید.
  • آخرش کارنامه می‌گیرید: چند تا درست، چند تا نادرست.
  • اگه وسطش بستید، دوباره که باز کنید از همون‌جا ادامه می‌دید.

فصل‌های این درس

درس بعد