Este artículo se publica en colaboración con MIT News.
Los sistemas de reconocimiento de objetos empiezan a ser bastante buenos y, en el caso de los algoritmos de reconocimiento facial de Facebook, espantosamente buenos.
Pero los sistemas de reconocimiento de objetos suelen entrenarse con millones de ejemplos visuales, algo que dista mucho de cómo aprenden los humanos. Si se le muestran a una persona dos o tres imágenes de un objeto, normalmente puede identificar nuevas instancias de ese mismo objeto.
Hace cuatro años, el grupo de Tomaso Poggio en el McGovern Institute for Brain Research del MIT comenzó a desarrollar un nuevo modelo computacional de representación visual, destinado a reflejar lo que el cerebro realmente hace. Y en un próximo número de la revista Theoretical Computer Science, los investigadores demuestran que un sistema de aprendizaje automático basado en su modelo podría, en efecto, realizar discriminaciones de objetos altamente fiables a partir de solo unos pocos ejemplos.
Tanto en ese artículo como en otro publicado en octubre en PLOS Computational Biology, también muestran que algunos aspectos de su modelo concuerdan bien con las evidencias empíricas sobre el funcionamiento del cerebro.
“Si se me da una imagen de su rostro desde cierta distancia, y luego, la próxima vez que lo vea, lo veo desde una distancia diferente, la imagen es bastante distinta, y las formas sencillas de compararla no funcionan”, dice Poggio, catedrático Eugene McDermott de Ciencias del Cerebro en el Departamento de Cerebro y Ciencias Cognitivas del MIT. “Para resolver esto, se necesitan muchos ejemplos —necesito ver su rostro no solo en una posición, sino en todas las posiciones posibles— o bien se necesita una representación invariante de un objeto.”
Una representación invariante de un objeto es aquella que es inmune a diferencias como el tamaño, la ubicación y la rotación dentro del plano. Los investigadores de visión artificial han propuesto varias técnicas para la representación invariante de objetos, pero el grupo de Poggio tuvo el desafío adicional de encontrar una representación invariante que fuera coherente con lo que sabemos sobre la maquinaria del cerebro.
Qué calculan las neuronas
Las células nerviosas, o neuronas, son células largas y delgadas con extremos ramificados. En la corteza cerebral, donde tiene lugar el procesamiento visual, cada neurona tiene unas 10.000 ramificaciones en cada extremo.
Dos neuronas corticales se comunican así entre sí a través de 10.000 uniones químicas distintas, conocidas como sinapsis. Cada sinapsis tiene su propio “peso”, un factor por el que multiplica la intensidad de una señal entrante. Las señales que cruzan las 10.000 sinapsis se suman después en el cuerpo de la neurona. Los patrones de estimulación y de actividad eléctrica modifican con el tiempo los pesos de las sinapsis, y ese es el mecanismo por el que los hábitos y los recuerdos se arraigan.
Una operación clave en la rama de las matemáticas conocida como álgebra lineal es el producto escalar, que toma dos secuencias de números —o vectores—, multiplica sus elementos entre sí de forma ordenada y suma los resultados para obtener un único número. En la corteza, la salida de un único circuito neuronal podría entenderse, por tanto, como el producto escalar de dos vectores de 10.000 variables. Se trata de un cálculo muy grande que cada neurona del cerebro puede realizar de un solo golpe.
El grupo de Poggio desarrolló una representación invariante de objetos basada en productos escalares. Supongamos que se crea una pequeña película digital de un objeto que gira 360 grados en un plano; por ejemplo, 24 fotogramas, cada uno de los cuales muestra el objeto girado un poco más que en el anterior. Se almacena la película como una secuencia de 24 imágenes fijas.
Supongamos ahora que se presenta una imagen digital de un objeto desconocido. Dado que la imagen puede interpretarse como una cadena de números que describen los valores de color de los píxeles —es decir, un vector—, se puede calcular su producto escalar con cada una de las imágenes fijas de la película y almacenar esa secuencia de 24 números.
Invariancia
Ahora bien, si se presenta una imagen del mismo objeto girado, por ejemplo, 90 grados, y se calcula su producto escalar con la secuencia de imágenes fijas, se obtendrán los mismos 24 números. No estarán en el mismo orden: lo que era el producto escalar con la primera imagen fija pasará a ser el producto escalar con la sexta. Pero serán los mismos números.
Esa lista de números, por tanto, es una representación del nuevo objeto que es invariante a la rotación. Secuencias similares de imágenes fijas, que representan un objeto en distintos tamaños o en distintas posiciones dentro del encuadre, producirán secuencias de productos escalares invariantes al tamaño y a la ubicación.
En su nuevo artículo, Poggio y sus colegas —el primer autor, Fabio Anselmi, posdoctorado en el grupo de Poggio; Joel Leibo, investigador asociado del McGovern Institute y científico investigador de Google DeepMind; Lorenzo Rosasco, profesor visitante en el Departamento de Cerebro y Ciencias Cognitivas; y Jim Mutch y Andrea Tacchetti, estudiantes de posgrado en el grupo de Poggio— demuestran que, si el objetivo es producir una representación de objetos invariante a la rotación, el tamaño y la ubicación, entonces la plantilla ideal es un conjunto de imágenes conocidas como filtros de Gabor. Y resulta que se sabe que los filtros de Gabor ofrecen una buena descripción de las operaciones de procesamiento de imágenes que realizan las llamadas “células simples” de la corteza visual.
Tres dimensiones
Si bien esta técnica funciona bien para las transformaciones visuales dentro de un plano, no funciona tan bien para la rotación en tres dimensiones. El producto escalar entre una nueva imagen y la de, por ejemplo, un coche visto de frente sería muy distinto del producto escalar de esa misma imagen y la de un coche visto de lado.
Sin embargo, el grupo de Poggio ha demostrado que, si la plantilla de imágenes fijas representa un objeto del mismo tipo que el nuevo objeto, los productos escalares seguirán produciendo descripciones suficientemente invariantes. Esta observación coincide con investigaciones recientes de Nancy Kanwisher, del MIT, y otros, que indican que la corteza visual tiene regiones especializadas en reconocer clases concretas de objetos, como los rostros o los cuerpos.
En el trabajo descrito en PLOS Computational Biology, Poggio y sus colegas —Leibo, Anselmi y Qianli Liao, estudiante de posgrado en ingeniería eléctrica e informática— construyeron un sistema informático que reunió un conjunto de imágenes fijas y utilizó el algoritmo de producto escalar para aprender a clasificar miles de objetos aleatorios.
Para cada una de las clases de objetos que aprendió el sistema, produjo un conjunto de plantillas que predijeron el tamaño y la varianza de las regiones de la corteza visual humana dedicadas a las clases correspondientes. Esto sugiere, según argumentan los investigadores, que el cerebro y su sistema podrían estar haciendo algo similar.
La hipótesis de invariancia de los investigadores es “una aproximación poderosa para salvar la gran brecha entre el aprendizaje automático contemporáneo, con su énfasis en millones de ejemplos etiquetados, y el sistema visual de los primates, que en muchos casos puede aprender a partir de un solo ejemplo”, afirma Christof Koch, catedrático de biología e ingeniería en Caltech y director científico jefe del Instituto Allen de Ciencia del Cerebro. “Este tipo de marco matemático elegante será necesario si queremos comprender los sistemas inteligentes naturales existentes, en el camino hacia la construcción de sistemas artificiales potentes.”
El trabajo de los investigadores contó en parte con el respaldo del Center for Brains, Minds, and Machines del MIT, financiado por la Fundación Nacional de Ciencias de Estados Unidos y dirigido por Poggio.
La publicación de este artículo no implica que el Foro Económico Mundial respalde sus opiniones.
Para mantenerse al día con la Agenda, suscríbase a nuestro boletín semanal.
Autor: Larry Hardesty es colaborador externo de MIT News.
Imagen: La mano del robot humanoide AILA (androide ligero de inteligencia artificial) maneja un panel de conmutación durante una demostración. REUTERS/Fabrizio Bensch.




