Hispaania teadlased õpetasid arvutinägemise algoritmi, et tajuda mündi abil illusionisti trikke samamoodi nagu inimene. Selleks palusid nad kutselisel illusionistil näidata vaatajale mitmeid nippe ja DeepLabCutil põhinevat tuvastusalgoritmi, mida kasutatakse laboriloomade jälgimiseks. Seitsmest näidatud nipist kaks suutsid edukalt petta nii inimest kui arvutit ning töö tulemused võivad tulevikus aidata vaatajate tajudes selliseid nippe, kirjutavad teadlased arXiv.org-i eeltrükis.
Maagilistes trikkides, mida illusionistid näitavad, pole võlukunsti, nende elluviimise kogu edu taandub käega katsutamisele. Teisest küljest on see ka inimese ettekujutuse küsimus: illusionisti tegevus on mõeldud vaataja eksitamiseks, mängides tema tähelepanelikkuse ja keskendumisvõimega. Seetõttu pole mustkunstniku kätt eriti tähelepanelikult jälitavat võlukunsti ja mõne triki petetu on hõlpsasti tuvastatav, kui salvestate näiteks tema esinemise videole ja mängite seda aeglaselt.
Muidugi on olukord arvutinägemise algoritmide abil selliste trikkide tajumisel pisut erinev: tegelikult vabastatakse arvuti võimalusest petta ning selle puhul sõltub selle töö kvaliteedist see, kui hästi ta suudab pettuse ära tunda. Alex Gomez-Marini juhitud teadlased Alicante (Hispaania) neuroteaduste instituudist otsustasid katsetada, kas sellist algoritmi saab õpetada vaatama illusioonide trikke kui isikut.
Selleks palkasid teadlased kutselise illusionisti ja palusid tal näidata seitset lihtsat visuaalset trikki müntidega - ilma ühegi suulise täienduseta, mis võib vaataja tähelepanu kõrvale juhtida ja mõjutada illusiooni edukust. Trikke eristasid mündi kadumiseks vajalikud illusionisti käeliigutused: näiteks ühes oli oluline münt lauale lohistada, teises aga näiteks haarata.
Inimestele näidati kõiki nippe, aga ka DeepLabCutil põhinevat algoritmi, mille Saksa teadlased esitlesid eelmisel aastal: seda kasutatakse laboriloomade liikumise automaatseks jälgimiseks ja saab isegi analüüsida oma keha üksikute osade (näiteks hiirte käpad) liikumisi. Algoritmi ülesanne oli määrata mündi asukoht iga triki lõpus - täpselt sama ülesanne, millega silmitsi seisid uurimistöös osalejad.
Teadlased võrdlesid inimese tulemusi ja algoritmi ning leidsid, et mõlemat on võimalik petta ainult kahel juhul. Kolm trikki, mis petsid publikut, algoritm ei petnud - see määras mündi positsiooni. Ka üks trikk pettis algoritmi, kuid mitte publikut, ja üks - vastupidi. Näiteks neljas trikk, milles illusionist paigutab münte järjest (saate seda videost vaadata), osutus algoritmi jaoks lihtsaks, kuid suutis vaatajat petta, sest viimase tähelepanu liikumiste ajal oli suunatud käele, milles illusionist algselt münte hoidis. seetõttu jäi märkamatuks asjaolu, et mustkunstnik pani teise käega mündi. Kuna mündi jälgimiseks koolitatud algoritmil pole probleeme mõlema käe korraga jälgimisega, siis seda ei petetud. Teisest küljest, kuuendas trikis - täpselt sama mis esimesel,kuid see tehti spetsiaalselt veaga - algoritm erinevalt vaatajast ei suutnud pettust ära tunda, kuna visatud münt osutus ilmselt kaamera suhtes servaks, mis tekitas arvuti, mitte inimese äratundmisraskusi.
Autorid täpsustavad, et neid ei huvitanud algoritmi võime illusionisti trikke kiiresti välja mõelda. Pigem tahtsid nad teada saada, kas on võimalik panna teda vaatama neid samamoodi, nagu tavaline inimene, ja mitte see, kes püüab pettust lahendada, vaid see, kes tajub trikki tegelikult mingisuguse võlujõuna. Fakt, et mõnel juhul ei suutnud DeepLabCut pettust tegelikult inimesega samamoodi ära tunda, mis tähendab teadlaste sõnul, et selliseid algoritme saab kasutada inimese taju analüüsimiseks - just sellistes olukordades nagu illusionistide trikid.
Reklaamvideo:
Elizaveta Ivtushok
