{"id":457,"date":"2019-11-27T12:39:20","date_gmt":"2019-11-27T10:39:20","guid":{"rendered":"https:\/\/fineduai.mobiesmart.fi\/lms\/?p=457"},"modified":"2019-11-27T12:39:20","modified_gmt":"2019-11-27T10:39:20","slug":"kuvantunnistusta-tekoalyn-avulla","status":"publish","type":"post","link":"https:\/\/fineduai.mobiesmart.fi\/lms\/2019\/11\/27\/kuvantunnistusta-tekoalyn-avulla\/","title":{"rendered":"Kuvantunnistusta teko\u00e4lyn avulla"},"content":{"rendered":"

\"\"<\/p>\n

Yliopistotutkija Timo L\u00e4hivaara piti Kuopion klassillisen lukion teko\u00e4lykurssillemme luennon 7.10.19 koneoppimisesta ja kuvantunnistamisesta. L\u00e4hivaara toimii t\u00e4ll\u00e4 hetkell\u00e4 tutkijana It\u00e4-Suomen yliopistolla Kuopion sovelletun fysiikan laitoksella. H\u00e4n on tehnyt t\u00f6it\u00e4 erityisesti inversio-ongelmien ja huokoisen v\u00e4liaineen parissa.<\/p>\n

Timo L\u00e4hivaara jakoi teko\u00e4lyn vahvaan ja heikkoon: heikko teko\u00e4ly suoriutuu yksinkertaisista sille opetetuista teht\u00e4vist\u00e4. Vahvalla teko\u00e4lyll\u00e4 on jo ihmisen kaltaista \u00e4lykkyytt\u00e4 ja kyky\u00e4 suoriutua teht\u00e4vist\u00e4. L\u00e4hivaaran mukaan kaikki nykyajan teko\u00e4lyst\u00e4 on suurin osa heikkoa teko\u00e4ly\u00e4 ja vahvaan on viel\u00e4 hyvin pitk\u00e4 matka.<\/p>\n

L\u00e4hivaaran mukaan AI eli teko\u00e4ly on yl\u00e4k\u00e4site, jonka alle koneoppiminen kuuluu. Koneoppimiselle eli machine learning:ll\u00e4on lis\u00e4ksi useita alaluokkia, kuten neuroverkot. T\u00e4ss\u00e4 esityksess\u00e4 L\u00e4hivaara sanoi l\u00e4hinn\u00e4 k\u00e4sittelev\u00e4ns\u00e4 ns. syvi\u00e4 neuroverkkoja eli DNN:ia.<\/p>\n

Esityksess\u00e4 ryhdyttiin sitten k\u00e4ym\u00e4\u00e4n l\u00e4pi, miten el\u00e4imen aivot tunnistavat kappaleita. Pohdittiin, miten lapsi tunnistaa kissan. Lapsi ei ole saattanut n\u00e4hd\u00e4 juuri t\u00e4t\u00e4 kissaa aikaisemmin, mutta h\u00e4n voi varmuudella tunnistaa sen silti kissaksi. Voidaan ajatella, ett\u00e4 lapsen aivoissa on syntynyt er\u00e4\u00e4nlainen neuroverkko, johon on ker\u00e4\u00e4ntynyt er\u00e4\u00e4nlaisia piirteit\u00e4, joita kaikilla kissoilla on. Lapsella saattaa olla vaikeuksia tunnistaa h\u00e4nn\u00e4t\u00f6nt\u00e4 kissaa kissaksi aluksi, mutta esimerkkien my\u00f6t\u00e4 t\u00e4m\u00e4 er\u00e4\u00e4nlainen neuroverkko kehittyy.<\/p>\n

L\u00e4hivaara kertoi sitten tarkemmin kissoilla tehdyist\u00e4 kuuluisista mittauksista, joissa havaittiin, ett\u00e4 vaakasuorat ja pystysuorat objektit aktivoivat kissan aivoista eri alueita. T\u00e4m\u00e4 loi vahvistusta teorialle, ett\u00e4 el\u00e4imen aivot ovat jonkinlainen hyvin monimutkainen neuroverkko. Aivoissa my\u00f6s jokaisella kerroksella on oma yksil\u00f6llinen toimintonsa. Neuroverkoilla pyrit\u00e4\u00e4n siis matkimaan aivojen toimintaa joillain tavoin, mutta huomattavasti yksinkertaisemmin.<\/p>\n

Koneoppimisessa on ker\u00e4tty mittava oppimisaineisto, joka on luokiteltua eli jokaiselle kuvalle t\u00e4ss\u00e4 tapauksessa on annettu merkint\u00e4. N\u00e4in syv\u00e4oppimisalgoritmi alkaa opettaa itse\u00e4\u00e4n, kunnes sen toiminta pys\u00e4ytet\u00e4\u00e4n. Sitten opetetun mallin toimivuutta voidaan testata jollakin kuvalla, joka ei kuulunut opetusaineistoon, ja vertailla tuloksia.<\/p>\n

L\u00e4hivaara esitteli meille Alexnetin datasetin avulla opetetun mallin toimintaa. Yksinkertaiset lajit, kuten kissan ja muurahaisen se tunnisti, mutta oudommat lajit, joista mek\u00e4\u00e4n emme v\u00e4ltt\u00e4m\u00e4tt\u00e4 tienneet, meniv\u00e4t huonoiksi arvauksiksi. My\u00f6s oudot asiat, kuten leopardikuvioiset sohvat, tuottivat mallille vaikeuksia. Leopardikuvioisen sohvan malli luokitte<\/a>li esimerkiksi tiikeriksi.<\/p>\n

Sitten Timo L\u00e4hivaara esitteli samanlaista tunnistusta reaaliajassa webkameran avulla. Malli pystyi tunnistamaan luotettavastikin erilaisia p\u00f6yd\u00e4ll\u00e4 olleita objekteja, kuten mukin, hiiren ja n\u00e4pp\u00e4imist\u00f6n. Mallin arvaukseen vaikutti kuitenkin kuvakulma, jolloin koko n\u00e4pp\u00e4imist\u00f6n n\u00e4hdess\u00e4 malli saattoi arvata v\u00e4lily\u00f6ntin\u00e4pp\u00e4int\u00e4.<\/p>\n

L\u00e4hivaara selitti j\u00e4lkeen hieman tarkemmin, miten mallin \u201cajatusprosessi\u201d toimii. Ensin kuvasta poistetaan turhia asioita, jotta prosessi on nopeampi. Sen resoluutiota esimerkiksi tiputetaan ja v\u00e4rej\u00e4 muutetaan sek\u00e4 kuva rajataan kohteeseen. N\u00e4in arvaaminen reaaliajassa on nopeampaa.<\/p>\n

Oikean maailman sovellukseksi tekniikalle L\u00e4hivaara mainitsi esimerkiksi kasvojentunnistuksen ja paikallisena esimerkkin\u00e4 puolestaan Kuopion torin parkkihallin portit, jotka aukeavat \u201citsest\u00e4\u00e4n\u201d kun kamerat tunnistavat rekisterikilven.<\/p>\n

Esineit\u00e4 voidaan tunnistaa teko\u00e4lyn avulla jo melko luotettavasti. Erikoisemmat esineet silti aiheuttavat j\u00e4rjestelmille ongelmia. Tunnistusmallin kouluttaminen vaatii valtavasti dataa ja hyvin paljon laskentakyky\u00e4. Kuvantunnistamiseen kykeneville j\u00e4rjestelmille on jo useita sovelluksia kasvojentunnistuksesta poliisiautojen rekisterikilven lukijoihin. Tunnistamiseen kykenev\u00e4t j\u00e4rjestelm\u00e4t luokitellaan viel\u00e4 heikoksi teko\u00e4lyksi.<\/p>\n

Tekij\u00e4t: Roope Siikaluoma, Konsta Jalkanen, Matias Aarnio ja Joonas Piippo<\/p>\n

Kuopion klassillinen lukio 16.11.19<\/p>\n

Teko\u00e4lykurssi<\/p>\n

 <\/p>\n

 <\/p>\n

 <\/p>\n

 <\/p>\n","protected":false},"excerpt":{"rendered":"

Yliopistotutkija Timo L\u00e4hivaara piti Kuopion klassillisen lukion teko\u00e4lykurssillemme luennon 7.10.19 koneoppimisesta ja kuvantunnistamisesta. L\u00e4hivaara toimii t\u00e4ll\u00e4 hetkell\u00e4 tutkijana It\u00e4-Suomen yliopistolla Kuopion sovelletun fysiikan laitoksella. H\u00e4n on tehnyt t\u00f6it\u00e4 erityisesti inversio-ongelmien ja huokoisen v\u00e4liaineen parissa. Timo L\u00e4hivaara jakoi teko\u00e4lyn vahvaan ja heikkoon: heikko teko\u00e4ly suoriutuu yksinkertaisista sille opetetuista teht\u00e4vist\u00e4. Vahvalla teko\u00e4lyll\u00e4 on jo ihmisen kaltaista \u00e4lykkyytt\u00e4 […]<\/p>\n","protected":false},"author":7,"featured_media":459,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_bbp_topic_count":0,"_bbp_reply_count":0,"_bbp_total_topic_count":0,"_bbp_total_reply_count":0,"_bbp_voice_count":0,"_bbp_anonymous_reply_count":0,"_bbp_topic_count_hidden":0,"_bbp_reply_count_hidden":0,"_bbp_forum_subforum_count":0,"footnotes":""},"categories":[1],"tags":[],"class_list":["post-457","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-yleinen","user-has-not-earned"],"_links":{"self":[{"href":"https:\/\/fineduai.mobiesmart.fi\/lms\/wp-json\/wp\/v2\/posts\/457","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/fineduai.mobiesmart.fi\/lms\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/fineduai.mobiesmart.fi\/lms\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/fineduai.mobiesmart.fi\/lms\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/fineduai.mobiesmart.fi\/lms\/wp-json\/wp\/v2\/comments?post=457"}],"version-history":[{"count":2,"href":"https:\/\/fineduai.mobiesmart.fi\/lms\/wp-json\/wp\/v2\/posts\/457\/revisions"}],"predecessor-version":[{"id":461,"href":"https:\/\/fineduai.mobiesmart.fi\/lms\/wp-json\/wp\/v2\/posts\/457\/revisions\/461"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/fineduai.mobiesmart.fi\/lms\/wp-json\/wp\/v2\/media\/459"}],"wp:attachment":[{"href":"https:\/\/fineduai.mobiesmart.fi\/lms\/wp-json\/wp\/v2\/media?parent=457"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/fineduai.mobiesmart.fi\/lms\/wp-json\/wp\/v2\/categories?post=457"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/fineduai.mobiesmart.fi\/lms\/wp-json\/wp\/v2\/tags?post=457"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}