很多文章的报道都是由微观而宏观，今日小编讲给大家带来的关于研究人员收集混乱的图像 以揭示AI视觉中的弱点的资讯也不例外，希翼可以在一定的程度上开阔你们的视野！y有对研究人员收集混乱的图像 以揭示AI视觉中的弱点这篇文章感兴趣的小伙伴可以一起来看看

近年来，计算机视觉有了很大的改进，但它仍然能够造成严峻的错误。因此，有一整个研究领域致力于研究人工智能经常被误识别的图片，称为“对抗性图像”。将它们视为计算机的视觉幻象。当你看到一棵树上的猫时，AI会看到一只松鼠。

非常需要研究这些图像。由于我们将机器视觉系统置于AI安全摄像头和自动驾驶汽车等新技术的核心，我们相信计算机以与我们相同的方式看世界。对抗性图像证明他们没有。

对抗性图像利用机器学习系统中的弱点

但是，虽然这个领域的很多注意力都集中在专门设计用来愚弄AI的图片上(就像谷歌的算法错误用于枪的3D打印龟)，但这些混乱的视觉效果自然也会发生。如果有的话，这类图像更令人担忧，因为它表明视觉系统可以产生非受迫性错误。

为了证明这一点，来自加州大学伯克利分校，华盛顿大学和芝加哥大学的一组研究人员创建了大约7,500个“天然对抗性实例” 的数据集。他们根据这些数据测试了许多机器视觉系统，并发现它们的准确率下降了90%，软件在某些情况下只能识别出2%或3%的图像。

叶子上的臭虫被误认为是“海难”。

在一篇随附的论文中，研究人员称这些数据有望帮助培养更强大的视觉系统。他们解释说，这些图像利用了“深层缺陷”，这些缺陷源于该软件“过度依赖颜色，纹理和背景线索”来识别它所看到的东西。

例如，在下面的图像中，AI错误地将左侧的图片作为钉子，可能是因为木制背景。在右边的图像中，它们专注于蜂鸟饲养器，但却错过了没有真正的蜂鸟存在的事实。

在下面的蜻蜓的四个图像中，AI在颜色和纹理上进行着色，从左到右看到臭鼬，香蕉，海狮和手套。在每种情况下，你都可以看出为什么会犯错误，但这并不会让它变得不那么明显。

AI系统犯这些错误并不是新闻。研究人员多年来向来警告说，使用深度学习(一种机器学习的风格，负责人工智能最近的许多发展)所制造的视觉系统是“ 浅薄的 ”和“ 脆弱的 ” - 这意味着他们不了解具有相同细微差别的世界作为一个人的灵便性。

这些系统在成千上万的示例图像上进行了训练，以便了解事物的样子，但我们通常不知道图片AI中的哪些确切元素用于做出推断。

一些研究表明，考虑到整体形状和内容，算法不是从整体上看图像，而是专注于特定的纹理和细节。这个数据集中提供的结果似乎支持这种解释，例如，在明亮的表面上显示清楚阴影的图片被错误地标识为日.. 人工智能基本上缺少树木。

但这是否意味着这些机器视觉系统无法挽回?一点也不。通常，所犯的错误非常微不足道，例如将排水盖识别为沙井或将货车误认为豪华轿车。

虽然研究人员说这些“自然对抗性的例子”会愚弄各种各样的视觉系统，但这并不意味着他们会欺骗所有人。许多机器视觉系统非常专业，例如用于识别医学扫描中的疾病的那些。虽然它们有自己的缺点，但它们无法理解世界和人类并不能阻挠它们发现癌症。

机器视觉有时可能会很快而且很脏，但通常会产生结果。像这样的研究向我们展示了我们接下来需要填补的盲点。