Một camera trả về hàng triệu con số mỗi khung hình. Không con số nào trong đó nói rằng đây là cái cốc. Việc chuyển từ mảng số sang một thứ hệ thống có thể dùng để hành động chính là bài toán tri giác, và nó khó hơn vẻ ngoài rất nhiều.
Vì sao dữ liệu thô không tự mang nghĩa
Cùng một cái cốc, chụp ở hai góc khác nhau cho hai mảng số hoàn toàn khác. Đổi ánh sáng, các con số lại đổi. Che một nửa, đổi tiếp.
Nghĩa là không có quan hệ trực tiếp nào giữa giá trị điểm ảnh và danh tính vật thể. Thứ giữ nguyên qua các biến thiên đó không nằm trong từng con số mà nằm trong quan hệ giữa chúng.
Đây là lý do các phương pháp so khớp trực tiếp với mẫu ảnh chỉ hoạt động trong điều kiện được kiểm soát rất chặt, và sụp đổ ngay khi rời khỏi điều kiện đó.
Bài toán vì vậy là tìm ra thứ bất biến: cái gì không đổi khi góc nhìn, ánh sáng và nền thay đổi.
Các tầng biểu diễn trung gian
Cách xử lý phổ biến là không nhảy thẳng từ số tới khái niệm mà đi qua nhiều tầng.
Tầng đầu tìm các đặc trưng cục bộ: chỗ nào có thay đổi đột ngột về độ sáng, đường biên chạy theo hướng nào.
Tầng tiếp gộp các đặc trưng đó thành phần lớn hơn: góc, mảng bề mặt, hình dạng cơ bản.
Tầng cao hơn nữa gộp thành đối tượng và quan hệ giữa các đối tượng.
Điều đáng chú ý là cấu trúc phân tầng này xuất hiện cả trong hệ thống nhân tạo lẫn trong hiểu biết về thị giác sinh học — và nó xuất hiện độc lập ở hai nơi, gợi ý rằng đây là cách tự nhiên để giải bài toán chứ không phải một lựa chọn kỹ thuật tuỳ ý.
Biểu diễn nào là đúng phụ thuộc vào mục đích
Đây là điểm gắn phần này với luận điểm hiện thân.
Không có một biểu diễn đúng tuyệt đối cho một cảnh. Biểu diễn tốt là biểu diễn giữ lại những gì cần cho hành động sắp tới và bỏ đi phần còn lại.
Với robot cần đi qua phòng, biểu diễn hữu ích là bản đồ chỗ nào trống chỗ nào vướng. Màu sắc và tên gọi của đồ vật không quan trọng.
Với robot cần cầm một vật, biểu diễn hữu ích là hình học bề mặt và các vùng cầm được. Bố cục tổng thể của phòng thì không.
Cùng một cảnh, hai nhiệm vụ, hai biểu diễn khác hẳn. Đây là lý do câu hỏi hệ thống nên biểu diễn thế giới thế nào không có câu trả lời nếu chưa nói nó sẽ làm gì.
Bỏ bớt cũng quan trọng như giữ lại
Một biểu diễn tốt phải nén: bỏ đi phần lớn thông tin.
Nếu giữ tất cả, ta chỉ có bản sao của dữ liệu thô và không giải quyết được gì. Giá trị của biểu diễn nằm chính ở chỗ nó vứt bớt.
Nhưng vứt cái gì là quyết định khó, và sai lầm ở đây không thể sửa ở tầng sau: thông tin đã bỏ thì không lấy lại được.
Ví dụ thực tế: nhiều hệ thống nhận biết bỏ thông tin về kết cấu bề mặt để tập trung vào hình dạng. Điều này tốt cho việc nhận diện loại vật, nhưng làm mất khả năng phân biệt vật trơn với vật nhám — mà đó lại là thông tin quyết định cho việc cầm nắm.
Bài học thiết kế: quyết định bỏ gì phải xuất phát từ nhiệm vụ cuối, không từ thói quen của tầng xử lý ảnh.
Hệ quả thực dụng
Ba nguyên tắc rút ra khi thiết kế hệ nhận biết.
Xác định nhiệm vụ trước khi chọn biểu diễn. Câu hỏi đúng không phải nhận diện được bao nhiêu loại vật, mà là thông tin nào cần để hành động đúng.
Kiểm tra thông tin có sống sót qua các tầng không. Một cách kiểm đơn giản: từ biểu diễn cuối, có suy ra được thứ nhiệm vụ cần không. Nếu không, tầng nào đó đã vứt nhầm.
Cải thiện điều kiện thu tín hiệu trước khi cải thiện xử lý. Thông tin không có trong tín hiệu thì không tầng nào tạo ra được. Đây là lý do chiếu sáng tốt thường hiệu quả hơn thuật toán tinh vi — nó làm thông tin cần thiết thật sự có mặt trong dữ liệu.
Câu hỏi thường gặp
Vì sao so khớp trực tiếp với ảnh mẫu lại kém hiệu quả?
Vì giá trị điểm ảnh thay đổi hoàn toàn khi đổi góc nhìn, ánh sáng hoặc nền, trong khi vật vẫn là vật đó. Thứ giữ nguyên nằm ở quan hệ giữa các điểm ảnh chứ không ở từng giá trị, nên cần biểu diễn ở mức trừu tượng hơn.
Có biểu diễn nào dùng chung cho mọi nhiệm vụ không?
Không có biểu diễn tối ưu chung, vì mỗi nhiệm vụ cần giữ lại những thông tin khác nhau. Các biểu diễn đa dụng học từ dữ liệu lớn phủ được nhiều nhiệm vụ hơn, nhưng vẫn kém hơn biểu diễn chuyên biệt cho từng bài toán cụ thể.
Vì sao chiếu sáng lại quan trọng hơn thuật toán?
Vì thuật toán chỉ xử lý được thông tin có trong tín hiệu. Nếu ánh sáng làm đặc trưng cần tìm biến mất khỏi ảnh, không tầng xử lý nào tạo lại được. Cải thiện điều kiện thu tín hiệu là cách trực tiếp nhất để tăng chất lượng.
Làm sao biết một tầng đã vứt nhầm thông tin?
Kiểm tra xem từ biểu diễn đầu ra có suy ra được thứ nhiệm vụ cần hay không. Nếu hệ thống liên tục thất bại theo cùng một kiểu với cùng một nhóm vật, khả năng cao là đặc trưng phân biệt nhóm đó đã bị loại ở một tầng nào đó.
Đọc thêm trong Nhận thức qua cơ thể và Nền tảng triết học & khoa học nhận thức.