【希望之聲2023年9月3日】（本台記者啟術綜合編譯） 日本理化研究所（RIKEN）的一個團隊近日通過訓練算法開發出一種新學習模型，提高了計算機視覺識別能力，使其能更好地識別低分辨率圖像中的物體。業界表示，這一發展不僅有利於傳統的計算機視覺應用，還將有利於控制論化身和太赫茲成像技術的創建。
受人腦記憶形成技術的啟發，日本團隊通過降低高分辨率圖像的質量，以訓練自監督學習算法並增強低質量圖像中的目標識別能力。該團隊通過新研究發現，只需對通常用於增強圖像的算法進行小小的調整，就可以極大地提高從自動駕駛汽車到控制論化身等應用計算機的視覺識別能力。
與大多數人工智能（AI）專家截然不同，來自理化研究所高級智能項目中心的Lin Gu以“治療師”開始了他的職業生涯。這一背景使他對尺度方差有了獨特的見解。這是計算機視覺面臨的一個關鍵問題，指的是準確檢測圖像中不同尺度物體的難度。由於大多數人工智能系統都是在高分辨率圖像上進行訓練的，因此，識別模糊或扭曲特徵的低質量圖片對算法構成了挑戰。
這種情況讓Gu想起了愛麗絲夢遊仙境綜合症，這是一種視力扭曲的情況，導致物體看起來比實際尺寸小或大。他解釋說：“人類視覺具有尺寸恆定性，這意味着無論視網膜圖像如何變化，我們都會感知到物體的尺寸相同。相比之下，現有的計算機視覺算法缺乏這種穩定性，就像愛麗絲一樣。”
受大腦中用於形成記憶的海馬體重放技術的啟發，Gu和他的同事開發了一種學習模型。在學習監督信號之前，該模型通過屏蔽部分圖像或改變對比度來修改訓練數據。這樣可以隨機降低對圖像的分辨率、模糊度和噪聲的要求，尋找在重複變化後保持不變的特定表徵 。
通過對生成的數據進行訓練，該算法可執行自我監督學習：幫助其他圖像處理算法，找出圖像中的對象以及它們所在的位置，而無需人工乾預。結果表明，這是一種計算效率更高的編碼和恢復圖像中關鍵細節的表徵方法。
另外，該方法還可應用於太赫茲成像——一種新興的無損成像技術，在生物醫學、安全和材料表徵方面具有巨大潛力。
Gu表示，對於人工記憶機制來說，對分辨率變化保持不變的表徵可以作為研究的基石。他目前正在與RIKEN的神經科學家合作，探索人工恆定表徵與大腦中真實表徵之間的關係。同時，作為與牛津大學的Michael Johnston團隊持續合作的一部分，他們正在開發新一代太赫茲成像設備，擬通過使用人工智能來提高其質量和分辨率。
責任編輯：张莉莉
本文章或節目經希望之聲編輯製作，轉載請註明希望之聲並包含原文標題及鏈接。
