Evaluating Few-Shot Pill Recognition Under Visual Domain Shift
تقيم هذه الدراسة التعرف على الأقراص بأسلوب التعلم من عينات قليلة في ظل تحولات النطاق البصري الواقعية، حيث وجدت أنه بينما يتكيف التصنيف الدلالي بسرعة مع الحد الأدنى من البيانات المصنفة، فإن النشر القوي يتطلب التدريب على مشاهد واقعية متعددة الأجسام للتخفيف من انخفاض الأداء الناتج عن الانسداد والازدحام في تحديد المواقع والاستدعاء.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول تعليم روبوت كيفية التعرف على أنواع مختلفة من الأقراص الطبية. في عالم مثالي، ستعرض عليه آلاف الصور لحبة دواء واحدة موضوعة بمفردها على طاولة بيضاء، بإضاءة مثالية. لكن في العالم الحقيقي، تكون الأقراص فوضوية؛ فهي متداخلة في منظمات بلاستيكية، ومكدسة فوق بعضها البعض، وتعكس الضوء، وتختبئ خلف بعضها البعض.
هذه الورقة البحثية تدور حول اختبار مدى قدرة الروبوت على تعلم التعرف على أقراص جديدة عندما يحصل فقط على أمثلة قليلة (مثل صورة واحدة، أو 5، أو 10 صور)، ومن ثم يتعين عليه العثور عليها في تلك المواقف الفوضوية والواقعية.
إليك تفصيل تجربتهم وما توصلوا إليه، باستخدام بعض التشبيهات من الحياة اليومية:
1. معسكرات التدريب (المعسكران)
قام الباحثون بتدريب ذكائهم الاصطناعي باستخدام اثنين من "معسكرات التدريب" المختلفين تماماً:
- المعسكر (أ) (مجموعة بيانات CURE): كان يشبه استوديو التصوير الفوتوغرافي. كل صورة تعرض حبة دواء واحدة بالضبط، في المنتصف تماماً، بدون أي ضجيج في الخلفية. كان الأمر نظيفاً، بسيطاً، ومنضبطاً.
- المعسكر (ب) (مجموعة بيانات MEDISEG): كان يشبه سطح مطبخ مزدحم. أظهرت الصور أكواماً من الأقراص، بعضها يتناثر خارج الحاويات، وبعضها يتداخل مع الآخر، مع وجود ظلال وانعكاسات ضوئية. كان الأمر فوضوياً وواقعياً.
2. الاختبار: "اختبار مفاجئ" في غرفة فوضوية
بعد التدريب، أعطوا الروبوتات "اختباراً مفاجئاً". عرضوا عليهم بضع صور لأنواع جديدة من الأقراص (وهذا هو جزء "الأمثلة القليلة")، ثم طلبوا منهم العثور على تلك الأقراص في غرفة جديدة تماماً، مليئة بالفوضى والأشياء المتداخلة.
أرادوا معرفة: هل يهم ما إذا كنت قد تدربت في الاستوديو النظيف أم في المطبخ الفوضوي؟
3. الاكتشاف الكبير: "المعرفة" مقابل "الإيجاد"
كشفت النتة عن انفصام شخصية مذهل في الذكاء الاصطناعي:
- "العقل" (التصنيف): كان الذكاء الاصطناعي بارعاً للغاية في معرفة ماهية الحبة. حتى لو رأى مثالاً واحداً فقط لحبة جديدة، كان بإمكانه القول فوراً: "هذا هو الأسبرين". لقد تعلم "مفردات" الأقراص بسرعة كبيرة.
- "العيون" (التحديد الموضعي): ومع ذلك، عانى الذكاء الاصطناعي في إيجاد الأقراص وسط الفوضى. عندما كانت الأقراص مكدسة فوق بعضها البعض، كان الذكاء الاصطناعي غالباً ما يفقدها تماماً أو لا يستطيع رسم مربع حولها بشكل صحيح.
التشبيه: تخيل أنك في حفلة مزدحمة. يمكنك التعرف فوراً على وجه صديقك (العقل يعمل بشكل مثالي)، ولكن إذا كان يقف خلف ثلاثة أشخاص آخرين، فقد لا تتمكن من الإشارة بدقة إلى مكان وقوفه (العيون تفشل).
4. ميزة "الواقعية"
هذا هو الاكتشاف الأهم: بيئة التدريب تهم أكثر من عدد الأمثلة.
- الروبوتات التي تدربت في المطبخ الفوضوي (MEDISEG) كانت أفضل بكثير في الاختبار المفاجئ. حتى مع وجود مثال واحد فقط، كانت أفضل بكثير في العث finding الأقراص في كومة من الأقراص مقارنة بالروبوتات التي تدربت في الاستوديو النظيف (CURE).
- الروبوتات التي تدربت في الاستوديو النظيف شعرت بالارتباك عندما رأت أول كومة فوضوية. كانت تعرف ماهية الحبة، لكنها لم تستطع التعامل مع الفوضى.
- الدرس المستفاد: من الأفضل تدريب ذكائك الاصطناائي على بيانات فوضوية وواقعية بدلاً من البيانات المثالية والنظيفة. إذا كنت تريد روبوتاً ليعمل في صيدلية حقيقية، فلا تدربه في مختبر؛ بل دربه في فوضى خزانة الأدوية الحقيقية.
5. "تناقص العائدات" من كثرة الأمثلة
اختبر الباحثون أيضاً ما إذا كان إعطاء الذكاء الاصطناعي المزيد من الأمثلة (5 أو 10 بدلاً من 1) سيساعد.
- المفاجأة: الانتقال من مثال واحد إلى 5 أمثلة ساعد كثيراً.
- لكن: الانتقال من 5 إلى 10 لم يساعد كثيراً.
- التشبيه: الأمر يشبه الدراسة لاختبار ما. قراءة الكتاب المدرسي مرة واحدة يعطيك الأساسيات. قراءته خمس مرات يجعلك واثقاً. قراءته عشر مرات لا تجعل منك عبقرياً؛ لقد وصلت فقط إلى نقطة "تناقص العائدات". لم يكن الذكاء الاصطناعي بحاجة إلى مكتبة ضخمة من الأمثلة؛ كان يحتاج فقط إلى بضعة أمثلة جيدة وواقعية.
6. لماذا يهم هذا؟
اختبرت معظم الدراسات السابقة الذكاء الاصطناعي في بيئات "نظيفة"، مما جعل الروبوتات تبدو أذكى مما هي عليه في الواقع. تجادل هذه الورقة بأننا بحاجة إلى اختبار الذكاء الاصطناعي في العالم "الفوضوي" لنرى ما إذا كان جاهزاً للعمل حقاً.
الخلاصة:
إذا كنت تريد بناء نظام للحفاظ على سلامة الناس من خلال تحديد أقراصهم، فلا تكتفِ بتزويده بصور مثالية. زوده بصور فوضوية ومتداخلة من الواقع. حتى لو كان لديك فقط أمثلة قليلة للبدء بها، فإن النموذج الذي تدرب على "الحياة الواقعية" سيكون أكثر موثوقية من ذلك الذي تدرب على "الحياة المثالية".
باخت-صر: الواقعية تتفوق على المثالية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.