De menselijke visuele scherpte is over het algemeen veel beter dan zelfs de hoogste resolutie foto ‘ s, zo niet al deze functies zijn toegankelijk voor DNNs. Bijvoorbeeld, foto ‘ s, vooral gecomprimeerde degenen, zal de neiging om te smeren fijne texturen.
Resultaten
In hun experimenten, vonden de onderzoekers dat MonoDepth voornamelijk gebruikt u de verticale positie van objecten in te schatten van de diepte, liever dan hun schijnbare grootte. Deze kan worden beïnvloed door de plaatsing van de camera – roll en pitch – en het model vervolgens heeft de neiging om mis-de afstand te schatten. Bovendien MonoDepth is onbetrouwbaar wanneer u geconfronteerd wordt met objecten die niet in de training set.
De Opslag van Bits nemen
Hoewel deze studie is beperkt tot een enkele DNN – MonoDepth – opgeleid op een enkele dataset – KITTI – het benadrukt de noodzaak van het profiel van deze machine learning modellen. Gezien het feit dat we hebben tientallen miljoenen van machine vision ingeschakeld voertuigen varen rond in het volgende decennium, we willen niet dat ze neer te maaien gekostumeerde truc of treaters, alleen maar omdat ze er niet uitzien als de mensen die ze getraind waren om te zien.
Wat deze mens ziet, is dat als we niet begrijpen hoe DNNs het behalen van hun resultaten, zijn we gebonden aan het ontdekken van hun beperkingen in de praktijk, in plaats van in de tests. Voldoende tragedies – denk Boeing 737 Max – kon verlamde openbare aanvaarding van machine learning. En dat is, gegeven het krimpen van medewerkers in de ontwikkelde wereld, zou een nog grotere tragedie als we zijn om onze economie groeit.
Reacties van harte welkom!
Verwante Onderwerpen:
Opslag
Digitale Transformatie
CXO
Het Internet van Dingen
Innovatie
Enterprise Software