KAIST于1日表示,该校计算机学院安成振教授研究团队与美国罗格斯(Rutgers)大学开展共同研究,开发出无需人工标注即可自主识别影像中物体的人工智能技术。
该模型是首个无需对复杂影像中各场景物体进行显式标注即可识别物体的人工智能模型。
机器要智能地感知并推理周边环境,必须具备把握构成视觉场景的物体及其相互关系的能力。但该领域的研究大多采用监督学习方式,需要人工逐一标注与影像每个像素对应的物体标签。此类手工作业容易出错,且需要大量时间和成本。
相比之下,研究团队此次开发的技术采取与人类相似的方式,仅通过对环境的观测便可自主学习物体的概念。这种无需人类指导即可自主学习物体概念的人工智能,一直被期待成为下一代认知技术的核心。
此前利用无监督学习的研究存在局限,只能在物体形态简单、可与背景明确区分的简单场景中识别物体。与此不同,安成振教授研究团队此次开发的技术是首个可应用于存在大量复杂形态物体的真实场景的模型。
该研究受到了图像生成研究的启发,如绘图人工智能软件DALL-E那样可通过文本输入生成逼真图像。研究团队没有采用输入文本的方式,而是让模型在场景中检测物体,并从该物体的表征(representation)生成图像,以此训练模型。
研究团队表示,在模型中使用与DALL-E类似的Transformer解码器,是使其能够处理真实且复杂影像的主要因素。
研究团队不仅在复杂且未经整理的影像上,还在诸如有众多鱼类的水族馆、交通拥堵道路情形的YouTube视频等复杂真实影像中测定了模型性能。结果确认,所提出的模型在物体分割和泛化方面远比现有模型精确。
带领研究团队的安成振教授表示:“这是以类似人类的自主学习方式感知并解释情境的创新技术”,“大幅改善视觉情境认知能力,不仅能为智能机器人领域、自动驾驶领域,也能为整个视觉人工智能技术带来成本削减和性能提升”。
该研究已在美国新奥尔良于11月28日开幕、预定持续至12月9日的世界最高水平机器学习学术会议——第36届神经信息处理系统大会(NeurIPS)上发表。






