八卦君说事：计算机视觉还远未得到解决：令人困惑的现象机器视觉一直是人工智能热潮中最成功的

机器视觉一直是人工智能热潮中最成功的故事之一，使从自动医疗扫描到自动驾驶汽车的一切成为可能。尽管全视算法的准确性已经得到了极大的提高，但这些系统仍然会被人类可以毫不费力地破译的图像所迷惑。

文章图片
图1
如图一，这些图都不是特别混乱的，你可以看到锤子，烤箱手套，虽然顶部中间的图像有点难以辨认，但不需要很长时间就能看出它是一张椅子。与此同时，一种先进的机器视觉算法可能只能识别其中的一两个物体，这对我们的汽车驾驶系统来说是一个巨大的挑战。
但这正是这些图像被制作出来的原因。它们是由麻省理工学院(MIT)和IBM的科学家们为测试人工智能视觉极限而编制的数据集ObjectNet的一部分。 “我们创建这个数据集是为了告诉人们，物体识别问题仍然是一个难题， ”研究科学家BorisKatz表示， “我们需要更好、更智能的算法。 ”
计算机视觉科学家们相信，更好的数据会构建更好的算法， ObjectNet数据集将对此有所帮助。 ObjectNet数据集包含了5万张从奇怪的角度或令人惊讶的环境中观察到的物体的图片(比如沙发上倒放的茶壶或浴室里背朝上的餐椅) ，其思想是用于测试和评估不同算法的能力。

文章图片
【八卦君说事：计算机视觉还远未得到解决：令人困惑的现象】这类图像很难被计算机处理，因为它们不会出现在训练数据中，而且这些系统对真实世界中的物体如何工作的了解是非常有限的。人工智能系统不能轻易地在不同的角度、在不同的灯光下将它们以前见过的物品中推断出来。
事实确实如此，当ObjectNet的创建者在他们的图片上测试一些流行的机器视觉系统时，他们发现它们的准确率下降了40%到45% 。
你可能会说，因为这些图片是为了愚弄人工智能而设计的，所以这并不是一场真正公平的对决。但在我们信任这些系统之前，我认为最好先了解它们的弱点。如果我们想知道算法在现实世界中的表现如何，我们应该用人类的眼睛看得到的东西来测试它们，这些图像是它们以前从未见过的，这样才能看出这些系统的表现具体如何。

文章图片
人工智能工程师多年来一直在研究这个问题，然而，计算机视觉系统的脆弱性是众所周知的。他们以前甚至发布过类似的数据集来训练这些系统，比如这个由自然产生的令人困惑的图像(而不是ObjectNet的图片，它们是故意摆出来的)汇编而成的数据集。提高人工智能视觉系统的性能也不是不可能的，这需要时间、努力和训练。人工智能系统就像人类大脑一样，长时间去观察某样东西是变得擅长它的第一步。