FDSL
＼我问了研究员！ /
“FDSL（公式驱动监督学习）”实现的识别精度等于或高于图像识别领域常用的图像数据集（2022/6/13 新闻稿）。
它与传统方法有何不同？有什么好处？
我们采访了负责开发的人工智能研究中心计算机视觉研究团队的高级首席研究员 Hiroo Kataoka！
这太神奇了①
创建图像数据集的工作量大大减少！
准备数百万张照片并手动为每张照片添加“教师标签”。准备图像数据集需要付出很大的努力。
FDSL通过自动生成图像和标签解决了这个问题。这个数据库只要没有公式等的版权就可以商业使用。
这个地方太棒了②
从“AI公平”的角度来看，您可以放心！
ImageNet 等开放图像数据集包含存在版权问题的图像，不恰当的标签可能会导致道德上不公平的结果，例如性别和种族差异。
自动生成的FDSL在权利和公平性方面是安全的，至少在预学习的背景下是这样。
问。您是如何想到 FDSL 的？
A使用逼真 CG 创建数据集的研究已经取得进展一段时间了。然而，CG的精度不够，CG制作困难，这是一个问题。
当时，我与一位研究人员聊天，提出了使用分形的想法，分形经常出现在植物和贝壳等自然物体中。
问。人工智能如何“看到”分形图像？
A显示分形图像是一个称为“预学习”的步骤。这可以说是教AI往哪里看去识别物体的任务。
由于乍一看很难区分狗和猫，所以我们首先教它们“区分万物的技巧”，而不仅仅是狗和猫。
如果你只是教人们如何看待事物，我认为使用具有物体特征的形状而不是真实的东西会更好，对吧？研究就是这样开始的。
有趣的是，这一结果也得到了脑科学研究人员的反应。 “物体的特征”图像可能巧合地类似于人类用来识别物体的模式。
FDSL的研究成果大约花了5年时间才得到认可。
在那段时间里，他遭到了许多国际会议的拒绝，有时甚至是强烈的拒绝。
最后，我想介绍一下片冈首席研究员（当时）自己写的一篇笔记文章，讲述了该项目是如何被采用的故事。如果您对研究感兴趣，请阅读。
https://notecom/cvpaperchallenge/n/na91cfc857b30