人工智能新突破:计算机正在学习从更高维度观察世界( 三 )

\n

但是 , 如果应用到没有内置平面几何的数据集(比方说3D计算机动画用到的不规则形状模型 , 或者无人车生成的映射周围环境的点云)里面的话 , 这种强大的机器学习结构就做得不是很好了 。 2016年前后 , 出现了一种称为几何深度学习的新学科 , 其目标就是要让CNN挣脱二维平面 。

\n

研究人员现在已经提出一个新的理论框架 , 用来构建可学习任何几何表面模式的神经网络 。 由阿姆斯特丹大学与高通 AI研究中心的Taco Cohen、Maurice Weiler、Berkay Kicanaoglu以及Max Welling 等人联合开发的“规范等变卷积神经网络”(gauge-equivariant convolutional neural networks , 或者规范CNN) , 不仅可以检测2D像素数组里面的模式 , 而且还可以检测球体和不对称曲面立体的模式 。 Welling说:“对于曲面深度学习问题来说 , 这个框架是个相当可以确定的答案 。 ”

\n

在学习模拟的(正好自然映射到球体上)全球气候数据的模式中 , 规范CNN的表现已经比之前的框架要好很多了 。 该算法对于改善用3维观察物体的无人机和无人车视觉有帮助作用 , 对检测从心脏、大脑或其他器官的不规则曲面收集到的数据中隐藏的模式也许也有促进作用 。

推荐阅读