Google Translate

  • Türkçe
  • English
  • العربية
  • Pусский

Massachusettsli bir çift, Rembrandt'ları yüzde 90 oranında doğru bir şekilde tanımladığını söyledikleri bir sistem programladı.

 

Yeni bir AI algoritması daha önce erişilemeyen görüntü tanıma ve analiz problemlerini kırıyor. Özellikle AI eğitim setlerinin çok küçük veya bireysel örnek görüntüleri çok büyük olan, AI algoritmalarının işleme koyamayacağı yüksek çözünürlüklü ayrıntılarla dolu olanlar. Zaten, yeni algoritma ünlü bir sanatçının eserinin sahteciliğini tespit edebiliyor ve yaratıcıları aktif olarak, küçük veri setlerini AI sinir ağı eğitmek için yeterince büyük olanlara dönüştürme yeteneğimizi potansiyel olarak geliştirebileceği diğer alanları arıyor.

 

Sinir Ağları ve Öğrenme Sistemlerine İlişkin IEEE İşlemlerinde çalışmalarının incelenmesi altında olan iki amatör AI araştırmacısına göre, termodinamik ve bilgi teorisinden ödünç alınan entropi kavramı AI sistemlerinin sahte sanat eserlerini ortaya çıkarmasına yardımcı oluyor.

 

Kaynar su ve kara delikler gibi fiziksel sistemlerde, entropi, verilen bir hacim içinde yer alan düzensizlik miktarıyla ilgili olduğu biliniyor. Bir görüntü dosyasında, entropi, dosyanın içerdiği yararlı, gereksiz bilgi miktarı olarak tanımlanıyor.

 

IEEE üyesi ve yarı zamanlı AI kodlayıcısı (ve tam zamanlı patent avukatı) Steven Frank, “Entropi, bir sinyaldeki bilginin çeşitliliğinin bir ölçüsüdür, hepsi bu '1'ler, hiç entropiniz yok. Hiçbir çeşitlilik yok. Sadece '1' ler. Tamamen rastgele bir diziniz varsa, o zaman çok yüksek bir entropi ve yüksek çeşitliliğe sahip olursunuz. Sıkıştıramaz veya tanımlayamazsınız.” diyor. Bu nedenle, tek bir görüntünün entropi derecesi, ne kadar dijital çeşitliliğin içerdiğine dair bir tür sayısal puan oluyor- görüntünün ne kadar monotonik veya algoritmik olduğu (düşük entropi puanı), stokastik ve tahmin edilemiyor (yüksek entropi). Emin olmak için kalitatif veya estetik bir önlem yok. Sanat eleştirmenleri bunun gibi metrikleri pek kullanmıyor. Belki entropi bir bilgisayar için uygun olabilir. Frank, aslında, görüntü entropisinin, yüksek çözünürlüklü görüntüleri işlemek için AI kullanımında uzun süredir devam eden bir sorunu çözme kapısını açabileceğini savunuyor. Bunun nedeni, megabayt veya gigabayt boyut aralığındaki yüksek çözünürlüklü görüntülerin, görüntü tanıma algoritmalarında yaygın olan evrişimli sinir ağları (CNN'ler) olarak adlandırılan AI sinir ağı tarafından işlenemeyecek kadar büyük olması.

1935'te Hollandalı ressam Rembrandt van Rijn'in eserinin bir kataloğu sadece 611 tablodan oluşturduğu biliniyor. Bununla birlikte, mevcut tahminler gerçek sayının, tabloların yarısına yaklaştığını gösteriyor. (Bunun nedeni, dünyada da birçok Rembrandt taklidi, kopyası ve sahteciliği olması.) Ancak, 611 Rembrandt ve ersatz Rembrandts'ın tümü bir Rembrandt tanıyan CNN'yi eğitmek için kullanılabilse bile, bu yine de AI uzmanlarının görüntü tanıma için gerekli olduğunu söylediği asgari eğitim örneği sayısının sadece yüzde 12'sini teşkil ediyor.

 

Eğer AI sahte sahte otantik Rembrandtları seçmeye yardımcı olsaydı, en az 5.000 Rembrandt resmine ve ideal olarak, her bir Rembrandt'ın çalışmasının sahtekarından, taklitçisinden ve fotokopi makinesinden başka bir 5.000 veya daha fazla örnek resme ihtiyacı olacaktı. Böyle bir cesaret olmadığından, AI, Rembrandt veya diğer ünlü sanatçılar için atıf yapma problemini çözmede pek yardımcı olmadığı biliniyor.

 

Frank merak ediyor, entropi aynı anda her iki sorunu da çözebilir mi? Hem bir CNN için çok yüksek çözünürlükte görüntüler hem de bir CNN'yi eğitmek için çok küçük bir veri kümesi sorunu mu var?

 

Bu 100 piksel, 200 piksel ve 400 piksel karolar daha sonra matematiksel anlamda en azından ana görüntüleriyle aynı bilgi bozukluğunu içeriyor. Öyleyse, Franks, karolar üzerinde eğitilmiş bir sinir ağı (tam boyutlu orijinaller değil) sinir ağını bir Rembrandt'ı sahte bir şekilde nasıl ayırt edeceğini “öğretebilir mi?” diye soruyor.

 

Metodları, Rembrandt görüntülerini, genel kabul görmüş portrelerinden 13.000 karoya bölüyor. Daha sonra, CNN'lerini orijinal tabloların tamamı yerine bu fayanslarda eğittiği biliniyor. Sinir ağlarını test etmek, Rembrandt CNN'in farkı anlayabildiğini görmek için bir dizi bilinen sahte ve bilinen kanonik çalışmalara (hiçbiri orijinal eğitim setinde bulunmayan) koşuyor. Yüzde 90.4 başarı oranı bildirdiği biliniyor. Analizin şaşırtıcı sonuçlarından biri, bir resmin hangi bölümlerinin bir resmi Rembrandt olarak tanımlayıp tanımlamadığının en önemli olduğunu ortaya koyması oluyor. 

 

Frank, “Bir fırça darbesi düzeyiyle sınırlı karolar, bir Rembrandt ve Rembrandt tarzındaki başka bir portre arasında ayrım yapmak için aslında o kadar etkili değil. Öte yandan, daha büyük çözünürlüklerde, bir baş boyutunda, CNN taklitçilerinden veya benzer tarzda bir sanatçıdan gerçek bir Rembrandt seçmekte oldukça başarılı” diyor.

 

“Bu bize Rembrandt'ın çağdaşlarının muhtemelen onu bir fırça darbesi düzeyinde oldukça iyi taklit ettiğini gösteriyor. Rembrandt'ı neyin farklı kıldığını görmek istiyorsanız, tuvalin daha büyük bir kısmına ve daha büyük bir kompozisyon düzeyinde bakmak zorundasınız.” diyor. 

 

Araştırmacılar, aynı AI tekniğinin bazı tıbbi görüntü sınıflandırma problemleri için de yararlı olabileceğini söylüyor. Radyoloji görüntüleri, örneğin, ün olarak büyüktür - yüzlerce megabayt veya daha fazla boyutta. CNN'ler bu kadar büyük dosyaları işleyemiyor; bu nedenle radyologlar görüntüyü düşük çözünürlüklü anlık görüntülere (işlem sırasında bilgi kaybederek) ölçeklendirmeli veya karşılaştırmak ve karşılaştırmak için temsili örnekleri elden seçmelidir - bu da radyologlar için daha fazla iş yapıyor.

Frank, “Sistemimiz çok daha yüksek performans ve daha doğru sınıflandırma sağlayabilir, çünkü bu muazzam görüntüye bakmak ve düşük çözünürlüklü bir görüntüye düşürmek yerine, tıbbi olarak alakalı yüksek çözünürlüklü parçalara bakabilir” diyor.

 

“Bununla birlikte, bir Rembrandt resminden farklı olarak, entropi yönteminin odaklanmadığı bir görüntünün diğer bölümlerinde tıbbi olarak önemli detaylar olabileceğini de ekliyor. Bu yüzden, bir radyoloğun algoritmanın sınırlamalarını da tanıması gerekir.” diye ekliyor. 

Bir görüntü analiz programında birçoğu arasında bir araç olarak, entropi metodu güçlü ve zayıf yanlarını bilen bir radyolog için faydalı bilgiler sağlayabilir. Teorik olarak, bir gün AI'nın yeterince eğitim görüntüsü bulunmayan nadir durumları bulmasına yardımcı olabilir.

 

Bu arada, Frank'lerin algoritmalarını patentlemek ya da ticarileştirmek için planları yoktur. Şimdilik, gerçek sanat eserlerini bir taklitçinin denizinden tespit etmenin inatçı sorununa entropi uygulamak için zekice bir kavram kanıtı sunuyor.


Kaynak: Tıklayınız