Per generare immagini realistiche della segnaletica stradale, i ricercatori mettono due algoritmi l'uno contro l'altro.

Per garantire che un giorno le auto guidino in modo autonomo e sicuro per le strade, devono essere in grado di riconoscere i segnali stradali. Anche di notte, nella pioggia, nella neve, o se i segni sono coperti di muschio, sporco o parzialmente invaso. Per imparare a farlo, richiedono una pletora di esempi di tutti i segnali stradali di diverse stagioni, ore del giorno e condizioni meteorologiche. "Fotografare tutti quei segni da qualche parte richiederebbe molto tempo, " spiega il professor Sebastian Houben del RUB Neural Computation Institute. "Soprattutto perché alcuni dei segni sono piuttosto rari".

Insieme a Domenico Spata e Daniela Horn, ha quindi sviluppato un metodo per generare automaticamente segnali stradali che i computer possono utilizzare per esercitare la vista.

I processi basati sulle macchine sono più bravi a riconoscere i segni rispetto agli umani

Nella sua infanzia, il progetto utilizzava immagini di segnali stradali reali:nel 2011, il team ha registrato video di 43 segnali stradali standardizzati in Germania:i ricercatori li chiamano classi. Sulla base dei video, hanno generato circa 50, 000 singole immagini dei segni da diverse prospettive. I processi basati sulle macchine sono nel complesso migliori nel riconoscere i segni in quelle immagini rispetto agli umani:questi ultimi hanno identificato correttamente il 98,8 per cento, mentre un software di riconoscimento delle immagini è corretto fino al 99,7 percento dei casi.

Ma questo non è più il problema principale. "Vogliamo raggiungere un punto in cui un algoritmo impara a generare immagini di segnali stradali che altri programmi possono utilizzare per esercitare le loro capacità di riconoscimento, " delinea Sebastian Houben.

Il gruppo di ricerca utilizza a tal fine due algoritmi:a uno vengono alimentati semplici pittogrammi iconografici della segnaletica stradale ufficiale e gli viene affidato il compito di trasferirli in immagini che sembrino foto; più, l'algoritmo deve essere in grado di ritrasferire in quei pittogrammi anche il segno ottenuto in un secondo momento. "In questo modo evitiamo che l'algoritmo distorca l'immagine del segnale a tal punto da non assomigliare più in alcun modo al segnale stradale, " spiega Daniela Corno.

Il secondo algoritmo deve decidere se l'immagine generata è una foto reale o meno. L'obiettivo è garantire che il secondo algoritmo non possa più dire di cosa si tratta. "Inoltre, il secondo algoritmo indica al primo in che modo il processo di selezione potrebbe essere reso ancora più difficile, "dice Sebastian Houben. "Di conseguenza, questi due sono sparring partner, di sorta."

All'inizio, il processo di formazione non funziona particolarmente bene. Conta come un successo se l'immagine di un segnale stradale prioritario ha il colore giusto ed è più o meno quadrata. Ma sta migliorando rapidamente. "Dopo due o tre giorni, controlliamo come appaiono le immagini dei segnali stradali, " spiega Daniela Horn. "Se le immagini non stanno bene al nostro occhio umano, modifichiamo l'algoritmo."

Non è del tutto chiaro quando il processo sarà completato, perché non esiste una misura definita della qualità dell'immagine. I partecipanti umani sono ingannati in media solo dal dieci percento delle immagini che sono state create utilizzando processi di generazione di immagini di alta qualità. Nella maggior parte dei casi, gli umani riconoscono quali immagini sono foto reali e quali no. "Le ragioni potrebbero essere abbastanza semplici, " dice Daniela Horn. "C'è stato un caso, Per esempio, dove l'algoritmo ometterebbe sempre il palo su cui è montato un segno."

Non si tratta di ingannare gli umani

Per gli umani, questo è un criterio ovvio, per un sistema informatico per nulla importante. "Non si tratta di ingannare gli umani, " fa notare il neuroinformatico. In termini di software di riconoscimento delle immagini, i due algoritmi hanno ottenuto risultati migliori degli umani, anche:dopo l'allenamento con un numero comparabile di immagini artificiali, un sistema informatico visivo ha ottenuto solo dieci punti percentuali in più di scarso rendimento rispetto all'allenamento con immagini reali.

Il team di ricerca sta inoltre utilizzando trucchi per ottimizzare l'algoritmo di generazione delle immagini. "Esso aveva, ad esempio la tendenza a creare sfondi forestali, presumibilmente perché l'algoritmo di riconoscimento delle immagini viene facilmente ingannato da essi, " elabora il ricercatore. Il team ha affrontato questo problema modificando il colore di sfondo dei pittogrammi originali. "Possiamo influenzare il processo solo attraverso l'input iniziale e modificando l'algoritmo, " dice Sebastian Houben. Le decisioni successive prese dagli algoritmi sono al di fuori del controllo dei ricercatori, una caratteristica dell'intelligenza artificiale.