Para generar imágenes realistas de señales de tráfico, los investigadores enfrentan dos algoritmos entre sí.

Para garantizar que los coches algún día conduzcan de forma autónoma y segura por las calles, deben poder reconocer las señales de tráfico. Incluso por la noche, en la lluvia, en la nieve, o si los letreros están cubiertos de musgo, sucio o parcialmente cubierto. Para aprender a hacer eso, requieren una gran cantidad de ejemplos de todas las señales de tráfico de diferentes estaciones, horas del día y condiciones climáticas. "Tomar fotografías de todos esos letreros en algún lugar llevaría muchísimo tiempo, "explica el profesor Sebastian Houben del Instituto de Computación Neural RUB." Especialmente porque algunos de los signos son bastante raros ".

Junto a Dominic Spata y Daniela Horn, por lo tanto, desarrolló un método para generar señales de tráfico automáticamente que las computadoras pueden usar para practicar la visión.

Los procesos basados ​​en máquinas reconocen mejor los signos que los humanos

En su infancia, el proyecto utilizó imágenes de señales de tráfico reales:en 2011, el equipo tomó videos de 43 señales de tráfico estandarizadas en Alemania; los investigadores se refieren a ellas como clases. Basado en los videos, generaron aproximadamente 50, 000 imágenes individuales de las señales desde diferentes perspectivas. En general, los procesos basados ​​en máquinas reconocen mejor los signos en esas imágenes que los humanos:estos últimos identificaron el 98,8 por ciento correctamente, mientras que un software de reconocimiento de imágenes es correcto hasta en el 99,7 por ciento de los casos.

Pero este ya no es el problema principal. "Queremos llegar a un punto en el que un algoritmo aprenda a generar imágenes de señales de tráfico que otros programas puedan utilizar para practicar sus capacidades de reconocimiento". "describe Sebastian Houben.

El equipo de investigación utiliza dos algoritmos para este propósito:uno es alimentado con simples pictogramas iconográficos de señales de tráfico oficiales y se le asigna la tarea de transferirlos a imágenes que parezcan fotos; más, el algoritmo también debe poder transferir el signo obtenido nuevamente a esos pictogramas en un punto posterior. "Así es como evitamos que el algoritmo distorsione la imagen de la señal hasta tal punto que ya no se parezca a la señal de tráfico de ninguna manera, "explica Daniela Horn.

El segundo algoritmo tiene que decidir si la imagen generada es una foto real o no. El objetivo es garantizar que el segundo algoritmo ya no pueda decir qué es. "Es más, el segundo algoritmo indica al primero de qué manera el proceso de selección podría dificultarse aún más, "dice Sebastian Houben". estos dos son compañeros de entrenamiento, de tipo ".

En primer lugar, el proceso de formación no funciona particularmente bien. Se considera un éxito si la imagen de una señal de tráfico prioritaria tiene el color correcto y es más o menos cuadrada. Pero está mejorando rápidamente. "Después de dos o tres días, comprobamos cómo se ven las imágenes de las señales de tráfico, ", explica Daniela Horn." Si las imágenes no se ven bien para nuestro ojo humano, modificamos el algoritmo ".

No está del todo claro cuándo se completará el proceso, porque no existe una medida definitiva de la calidad de la imagen. Los participantes humanos son engañados por solo el diez por ciento de las imágenes en promedio que se crearon utilizando procesos de generación de imágenes de alta calidad. En la mayoría de los casos, los humanos reconocen qué imágenes son fotos reales y cuáles no. "Las razones pueden ser bastante simples, "dice Daniela Horn." Hubo un caso, por ejemplo, donde el algoritmo siempre omitiría el poste en el que se monta un letrero ".

No se trata de engañar a los humanos

Para humanos, este es un criterio obvio, para un sistema informático que no tiene importancia en absoluto. "No se trata de engañar a los humanos, ", señala el neuroinformático. En términos de software de reconocimiento de imágenes, los dos algoritmos lograron mejores resultados que los humanos, también:después del entrenamiento con un número comparable de imágenes artificiales, un sistema informático visual se desempeñó simplemente diez puntos porcentuales menos que después del entrenamiento con imágenes reales.

Además, el equipo de investigación está utilizando trucos para optimizar el algoritmo de generación de imágenes. "Tenía, por ejemplo, la tendencia a crear fondos de bosque, presumiblemente porque el algoritmo de reconocimiento de imágenes es fácilmente engañado por ellos, ", explica el investigador. El equipo abordó este problema cambiando el color de fondo de los pictogramas originales." Podemos influir en el proceso solo a través de la entrada inicial y modificando el algoritmo, "dice Sebastian Houben. Las decisiones posteriores tomadas por los algoritmos están fuera del control de los investigadores, una característica de la inteligencia artificial.