ساحة اللعب للذكاء الاصطناعي: أداة حذف البيانات المستندة إلى محرك Unreal لتعلم العمق

يحتاج التعلم الآلي إلى البيانات، ولكن الحصول على بيانات العالم الحقيقي وتصنيفها أمرٌ مُحَدِّد ومكلف ويستغرق وقتًا طويلاً. وأهم من ذلك، أنه من الصعب جدًا تغيير البيانات الحقيقية بعد الحصول عليها (مثل تغيير الإضاءة في الغرفة)، مما يجعل قياس كيفية تأثير خصائص معينة للبيانات على الأداء أمرًا صعبًا للغاية. في هذا البحث، نقدم "ساحة اللعب للذكاء الاصطناعي" (AI Playground - AIP)، أداة مفتوحة المصدر تعتمد على محرك Unreal Engine لتكوين وإنشاء بيانات الصور الافتراضية وتصنيفها. باستخدام AIP، يمكن بسهولة التقاط نفس الصورة تحت ظروف مختلفة (مثل الدقة والإضاءة وما إلى ذلك) ومع حقائق أساسية مختلفة (مثل قيم العمق أو المتجهات الطبيعية للسطح). تعد AIP قابلة للتوسيع بسهولة ويمكن استخدامها مع أو بدون كود.لتأكيد فعالية الأداة المقترحة، قمنا بإنشاء ثماني مجموعات بيانات تكون متطابقة في جميع الجوانب باستثناء ظروف الإضاءة والدقة المختلفة. ثم دربنا شبكات عصبية عميقة لتوقع (1) قيم العمق، (2) المتجهات الطبيعية للسطح، أو (3) تصنيف الأشياء وتقييم أداء كل شبكة داخل المجموعة وعبر المجموعات. بينت النتائج أن حساسية الشبكات لظروف مختلفة تعتمد على المشكلة المعالجة. أكدنا نتائج دراسات أخرى بأن نماذج التقطيع شديدة الحساسية للدقة، لكننا اكتشفنا أيضًا أنها شديدة الحساسية للإضاءة بنفس القدر. بالمقارنة، يبدو أن نماذج تقدير العمق والمتجهات الطبيعية أقل حساسية للدقة أو الإضاءة وأكثر حساسية لهيكل الصورة.أخيرًا، اختبرنا شبكات تقدير العمق التي تم تدريبها على مجموعتين من بيانات العالم الحقيقي وحصلنا على نتائج مشابهة لتلك التي يتم الحصول عليها عند التدريب على بيانات حقيقية فقط، مما يؤكد أن بيئاتنا الافتراضية واقعية بما يكفي لأداء المهام في العالم الحقيقي.