Замаскированные объекты трудно обнаружить как для людей, так и для искусственного интеллекта. Но теперь искусственный интеллект обучен анализировать объекты по их происхождению.
Это может иметь множество применений, например, использоваться для поисково-спасательных работ, обнаружения сельскохозяйственных вредителей, медицинской визуализации или в военных условиях.
Обнаружение замаскированных объектов требует визуального восприятия и знаний. До сих пор многие ИИ боролись с этой задачей, потому что их алгоритмы полагаются на визуальные сигналы, такие как различия в цвете или легко узнаваемые формы, для идентификации объектов.
Чтобы улучшить это, Цзяньбин Шэнь из Института искусственного интеллекта в Абу-Даби в Объединенных Арабских Эмиратах и его коллеги собрали набор данных из 10 000 фотографий для обучения ИИ. Набор данных включает 5066 изображений замаскированных объектов, которые они разделили на 78 категорий, таких как “земноводные”, “водные” и “летающие”.
Фотографии включали как естественно замаскированных животных, таких как рыбы и насекомые, так и примеры искусственного камуфляжа, такие как солдаты в форме. Хотя базы данных о замаскированных объектах уже существуют, этот набор данных является самым большим, говорит Шен.
Команда вручную помечала каждое изображение замаскированного объекта, чтобы выделить такие характеристики, как его форма или то, было ли оно частично закрыто окружающей средой. Затем они разработали искусственный интеллект под названием SINet и обучили его на изображениях из набора данных.
Исследователи сравнили SINet с 12 существующими алгоритмами, созданными для обнаружения общих объектов. Они протестировали все 13 алгоритмов, используя три существующих набора данных о замаскированных объектах. СИНет лучше других 12 справился с выделением замаскированных объектов и определением их правильной формы и природы как в существующих, так и в обучающих наборах данных.
“Без каких-либо наворотов SINet превосходит различные современные базовые показатели обнаружения объектов во всех протестированных наборах данных, что делает его надежной общей основой, которая может помочь облегчить будущие исследования”, — пишут исследователи.
