Menneskelige synsstyrke er generelt langt bedre end selv den højeste opløsning, som fotografier, så ikke alle disse funktioner er tilgængelige for DNNs. For eksempel, billeder, især komprimeret dem, vil være tilbøjelige til at smøre fine teksturer.
Resultater
I deres forsøg, fandt forskerne, at MonoDepth primært bruger den lodrette position af objekter til at vurdere deres dybde, snarere end deres tilsyneladende størrelse. Dette kan være påvirket af kameraets position – roll og pitch – og den model, så har en tendens til at mis-skøn afstand. Desuden MonoDepth er upålidelige, når de står med objekter, der ikke var i sin uddannelse.
Opbevaring Bits tage
Mens denne undersøgelse er begrænset til en enkelt DNN – MonoDepth – uddannet på et enkelt datasæt – KITTI – det understreger behovet for at profilere disse machine learning modeller. I betragtning af, at vi vil have millioner af maskinen vision aktiveret køretøjer, der kører rundt i det næste årti, behøver vi ikke ønsker dem græsslåning udklædte trick eller behandlere, bare fordi de ikke ligner de mennesker, de var uddannet til at se.
Hvad dette menneske ser, er, at hvis vi ikke forstår, hvordan DNNs opnå deres resultater, vi er forpligtet til at opdage deres begrænsninger i praksis, snarere end i en test. Tilstrækkelig tragedier – tror Boeing 737-Max – kunne ødelægge befolkningens accept af machine learning. Og i betragtning af de skrumpende arbejdsstyrke i den udviklede verden, ville være en endnu større tragedie, hvis vi skal holde vores økonomier vokser.
Kommentarer er hjerteligt velkomne!
Relaterede Emner:
Opbevaring
Digital Transformation
CXO
Tingenes Internet
Innovation
Virksomhedens Software