Jak efektivně trénovat neuronové sítě pro segmentaci obrazu? Vědci nabízí řešení
Evoluční optimalizační algoritmy, zejména samoorganizující se migrační algoritmus (SOMA), se ukázaly jako účinné při zlepšování výkonu neuronových sítí pro segmentaci obrazů lidské pleti. Tento přínos potvrdil článek v odborném časopise Scientific Reports, jehož autorem je spolu s kolegy z Vietnamu Ivan Zelinka z Fakulty elektrotechniky a informatiky VŠB-TUO.
Výzkum podpořený z projektu REFRESH ukázal, že metoda SOMA je v porovnání s tradičními optimalizačními technikami a jinými evolučními algoritmy efektivnější a má potenciál pro využití i v dalších oblastech počítačového vidění.
„Segmentace pleti znamená proces automatického rozpoznávání a oddělování oblastí obrazu, které odpovídají lidské kůži, od těch, které odpovídají jiným objektům či materiálům, například pozadí, vlasy, oblečení apod. Tento proces je klíčový v mnoha oblastech, jako jsou rozpoznávání obličejů, sledování gesta nebo diagnóza kožních onemocnění, což má přímý dopad na oblasti, jako je zdravotní péče nebo bezpečnostní technologie,“ přiblížil motivaci výzkumu profesor Zelinka, který rovněž působí v Industry 4.0 & Automotive Lab projektu REFRESH.
Autoři studie porovnali výkon SOMA s populárními optimalizačními metodami založenými na gradientu, jako jsou ADAM a SGDM, a také s jiným evolučním algoritmem - diferenciální evolucí (DE). Experimenty byly provedeny na datasetu, který obsahuje 245 057 vzorků. Výzkumníci u jednotlivých metod zkoumali jak výkon, tak percepční kvalitu – tedy způsob, jakým lidé vnímají a hodnotí kvalitu obrázků. Výsledky ukazují, že neuronová síť trénovaná pomocí SOMA dosahuje nejvyšší přesnosti (93,18 %), čímž překonává ADAM (84,87 %), SGDM (84,79 %) a DE (91,32 %).
„U práce považuji za důležité dva přínosy. Za prvé jsme ukázali potenciál začlenění evolučních optimalizačních algoritmů, jako je například i SOMA, do trénovacího procesu umělých neuronových sítí. Ne že by neexistovaly jiné algoritmy na učení, nicméně tyto techniky, z jejichž domény pochází diferenciální evoluce nebo SOMA, dokážou nejen učit, ale také navrhovat samotnou strukturu sítě a spoustu jejich dalších parametrů. Dá se tedy říct, že díky těmto technikám můžeme v počítači simulovat evoluční vývoj sítí až k těm, které podávají požadované výsledky. Tato integrace výrazně zlepšuje výkon například při úlohách zpracování obrazu,“ uvedl Zelinka.
„Za druhé námi navržená metoda vykazuje jistou novost a účinnost v porovnání s tradičními optimalizačními technikami založenými na gradientu a jinými evolučními algoritmy. I v tomto případě nejde o vítězství jednoho či druhého algoritmu, ale o jejich inovativní použití,” doplnil.
Podle autorů se metoda rovněž ukazuje jako velmi slibná pro aplikaci v jiných oblastech strojového učení a klasifikace. „Tím, že v tomto směru využijeme další nové technologie, jako jsou například kvantové počítače nebo jejich hardwarové simulátory, bude možné tento přístup dále vylepšit a rozšířit a přispět tak k pokroku ve výše zmíněných oblastech,“ řekl Zelinka.
Umělé neuronové sítě (ANN) a systémy na nich založené (např. i GPT) se staly klíčovou součástí mnoha moderních technologií, které se používají v různých oblastech, jako je rozpoznávání obrazů nebo zpracování textu. Jsou velmi užitečné rovněž v medicíně, například při diagnostice některých onemocnění nebo při řízení zdravotní péče. Tyto sítě jsou inspirovány lidským mozkem a skládají se z propojených "uzlů" neboli neuronů, které spolupracují a učí se z dat. Trénování těchto sítí je ale stále velkou výzvou, protože je složité optimalizovat velký počet parametrů.
Zdroj: VŠB – Technická univerzita Ostrava | Text: Martina Šaradínová, Pr manažerka projektu REFRESH