Om realistische afbeeldingen van verkeersborden te genereren, onderzoekers zetten twee algoritmen tegen elkaar op.

Om ervoor te zorgen dat auto's ooit autonoom en veilig door de straten zullen rijden, ze moeten verkeersborden kunnen herkennen. Zelfs 's nachts, in de regen, in de sneeuw, of als de borden bedekt zijn met mos, vuil of gedeeltelijk overgroeid. Om te leren hoe je dat moet doen, ze hebben een overvloed aan voorbeelden nodig van alle verkeersborden uit verschillende seizoenen, tijdstippen en weersomstandigheden. "Het zou enorm tijdrovend zijn om al die borden ergens te fotograferen, " legt professor Sebastian Houben van het RUB Neural Computation Institute uit. "Vooral omdat sommige tekens vrij zeldzaam zijn."

Samen met Dominic Spata en Daniela Horn, daarom ontwikkelde hij een methode om automatisch verkeersborden te genereren waarmee computers het zicht kunnen oefenen.

Machinegebaseerde processen zijn beter in het herkennen van de tekens dan mensen

In zijn jeugd, het project gebruikte afbeeldingen van echte verkeersborden:in 2011, het team nam video's van 43 verkeersborden die in Duitsland zijn gestandaardiseerd - onderzoekers noemen ze klassen. Op basis van de video's, ze genereerden ongeveer 50, 000 individuele afbeeldingen van de tekens vanuit verschillende perspectieven. Machinegebaseerde processen zijn over het algemeen beter in het herkennen van de tekens in die beelden dan mensen:de laatste identificeerde 98,8 procent correct, terwijl een beeldherkenningssoftware in tot 99,7 procent van de gevallen correct is.

Maar dit is niet langer de hoofdzaak. "We willen een punt bereiken waarop een algoritme leert afbeeldingen van verkeersborden te genereren die andere programma's kunnen gebruiken om hun herkenningsmogelijkheden te oefenen, ’ schetst Sebastian Houben.

Het onderzoeksteam gebruikt hiervoor twee algoritmen:de ene krijgt eenvoudige iconografische pictogrammen van officiële verkeersborden voorgeschoteld en krijgt de opdracht deze om te zetten in beelden die op foto's lijken; plus, het algoritme moet het verkregen teken ook op een later moment weer in die pictogrammen kunnen overzetten. "Zo voorkomen we dat het algoritme het beeld van het bord zodanig vervormt dat het op geen enkele manier meer lijkt op het verkeersbord, " legt Daniela Hoorn uit.

Het tweede algoritme moet beslissen of de gegenereerde afbeelding een echte foto is of niet. Het doel is ervoor te zorgen dat het tweede algoritme niet meer kan vertellen wat het is. "Bovendien, het tweede algoritme geeft aan het eerste aan op welke manier het selectieproces nog moeilijker kan worden gemaakt, ", zegt Sebastian Houben. "Dienovereenkomstig, deze twee zijn sparringpartners, soort."

Aanvankelijk, het trainingsproces werkt niet bijzonder goed. Het is een succes als de afbeelding van een voorrangsverkeersbord de juiste kleur heeft en min of meer vierkant is. Maar het gaat steeds beter. "Na twee of drie dagen, we kijken hoe de afbeeldingen van verkeersborden eruit zien, " legt Daniela Horn uit. "Als de foto's er niet goed uitzien voor ons menselijk oog, we passen het algoritme aan."

Het is niet helemaal duidelijk wanneer het proces zal worden afgerond, omdat er geen duidelijke maatstaf voor beeldkwaliteit bestaat. Menselijke deelnemers worden voor de gek gehouden door gemiddeld slechts tien procent van de afbeeldingen die zijn gemaakt met behulp van hoogwaardige beeldgenererende processen. In de meeste gevallen, mensen herkennen welke afbeeldingen echte foto's zijn en welke niet. "De redenen kunnen heel simpel zijn, " zegt Daniela Horn. "Er was één geval, bijvoorbeeld, waar het algoritme altijd de paal zou weglaten waarop een bord is gemonteerd."

Het gaat niet om het bedriegen van mensen

voor mensen, dit is een duidelijk criterium, voor een computersysteem helemaal niet belangrijk. "Dit gaat niet over het bedriegen van mensen, " wijst de neuro-informaticus aan. In termen van software voor beeldherkenning, de twee algoritmen behaalden betere resultaten dan mensen, ook:training volgen met een vergelijkbaar aantal kunstmatige beelden, een visueel computersysteem presteerde slechts tien procentpunten slechter dan na training met echte beelden.

Het onderzoeksteam gebruikt bovendien trucs om het beeldgenererende algoritme te optimaliseren. "Het had, bijvoorbeeld de neiging om bosachtergronden te maken - vermoedelijk omdat het algoritme voor beeldherkenning gemakkelijk door hen voor de gek wordt gehouden, ", legt de onderzoeker uit. Het team heeft dit probleem aangepakt door de achtergrondkleur van de originele pictogrammen te veranderen. "We kunnen het proces alleen beïnvloeden door de eerste invoer en door het algoritme aan te passen, ", zegt Sebastian Houben. De daaropvolgende beslissingen die door de algoritmen worden genomen, vallen buiten de controle van de onderzoekers - een kenmerk van kunstmatige intelligentie.