För att skapa realistiska bilder av vägmärken, forskare ställer två algoritmer mot varandra.

För att säkerställa att bilar en dag kommer att köra självständigt och säkert genom gatorna, de måste kunna känna igen vägmärken. Även på natten, i regnet, i snön, eller om skyltarna är täckta av mossa, smutsiga eller delvis övervuxna. För att lära sig hur man gör det, de kräver en uppsjö av exempel på alla vägmärken från olika årstider, tider på dygnet och väderförhållanden. "Att ta bilder av alla dessa skyltar någonstans skulle vara oerhört tidskrävande, " förklarar professor Sebastian Houben från RUB Neural Computation Institute. "Särskilt eftersom vissa av tecknen är ganska sällsynta."

Tillsammans med Dominic Spata och Daniela Horn, han utvecklade därför en metod för att generera trafikskyltar automatiskt som datorer kan använda för att öva syn.

Maskinbaserade processer är bättre på att känna igen tecknen än människor

I sin linda, projektet använde bilder av riktiga vägmärken:redan 2011, teamet tog videor av 43 vägmärken standardiserade i Tyskland – forskare kallar dem klasser. Baserat på videorna, de genererade cirka 50, 000 individuella bilder av tecknen från olika perspektiv. Maskinbaserade processer är överlag bättre på att känna igen tecknen i dessa bilder än människor:de senare identifierade 98,8 procent korrekt, medan ett bildigenkänningsprogram är korrekt i upp till 99,7 procent av fallen.

Men detta är inte längre huvudfrågan. "Vi vill nå en punkt där en algoritm lär sig att generera bilder av vägskyltar som andra program kan använda för att öva på sina igenkänningsmöjligheter, " beskriver Sebastian Houben.

Forskargruppen använder två algoritmer för detta ändamål:en matas med enkla ikonografiska piktogram av officiella vägmärken och får i uppgift att överföra dem till bilder som ser ut som foton; plus, Algoritmen måste också kunna överföra det erhållna tecknet tillbaka till dessa piktogram vid en senare tidpunkt. "Så här förhindrar vi att algoritmen förvränger bilden av skylten så mycket att den inte längre liknar vägmärket på något sätt, " förklarar Daniela Horn.

Den andra algoritmen måste avgöra om den genererade bilden är ett riktigt foto eller inte. Målet är att säkerställa att den andra algoritmen inte längre kan säga vad den är. "Dessutom, den andra algoritmen indikerar för den första på vilket sätt urvalsprocessen skulle kunna göras ännu svårare, " säger Sebastian Houben. "Därför, dessa två är sparringspartner, av slag."

I början, träningsprocessen fungerar inte särskilt bra. Det räknas som en framgång om bilden av en prioriterad vägskylt har rätt färg och är mer eller mindre fyrkantig. Men det förbättras snabbt. "Efter två eller tre dagar, vi kollar hur bilderna på vägskyltarna ser ut, " förklarar Daniela Horn. "Om bilderna inte ser bra ut för vårt mänskliga öga, vi modifierar algoritmen."

Det är inte helt klart när processen kommer att slutföras, eftersom det inte finns något bestämt mått på bildkvalitet. Mänskliga deltagare luras av endast tio procent av bilderna i genomsnitt som skapats med hjälp av högkvalitativa bildgenererande processer. I de flesta fallen, människor känner igen vilka bilder som är riktiga bilder och vilka som inte är det. "Skälen kan vara ganska enkla, " säger Daniela Horn. "Det var ett fall, till exempel, där algoritmen alltid skulle utelämna stolpen på vilken en skylt är monterad."

Det handlar inte om att lura människor

För människor, detta är ett självklart kriterium, för ett datorsystem som inte alls är viktigt. "Det här handlar inte om att lura människor, " påpekar neuroinformatikern. När det gäller bildigenkänningsprogram, de två algoritmerna uppnådde bättre resultat än människor, också:efter träning med ett jämförbart antal konstgjorda bilder, ett visuellt datorsystem presterade bara tio procentenheter sämre än efter träning med riktiga bilder.

Forskargruppen använder dessutom knep för att optimera den bildgenererande algoritmen. "Det hade, till exempel tendensen att skapa skogsbakgrunder – förmodligen för att bildigenkänningsalgoritmen lätt kan luras av dem, " utvecklar forskaren. Teamet tacklade detta problem genom att ändra bakgrundsfärgen på de ursprungliga piktogrammen. "Vi kan påverka processen endast genom den första inmatningen och genom att modifiera algoritmen, " säger Sebastian Houben. De efterföljande besluten som algoritmerna gör ligger utanför forskarnas kontroll – en egenskap hos artificiell intelligens.