Datorseende

För en dator är en bild bara tal: ett rutnät med ett tal för hur ljus varje pixel är, eller tre tal för rött, grönt och blått. Att se något i bilden betyder att hitta mönster i talen.

Ett faltningsnätverk börjar med små filter, rutor med vikter som glider över bilden. Ett filter svarar starkt där det finns en lodrät kant, ett annat där det finns en vågrät. Nästa lager tittar på de kartorna och hittar hörn och kurvor, nästa ögon och hjul, och längst in hela föremål. Sist kommer ett svar: hur säker modellen är på varje sak den kan känna igen.

Säkerheten säger hur lik bilden är det modellen sett förut, inte om den har rätt. En bild som skiljer sig från träningen, med brus, konstigt ljus eller en ovanlig vinkel, kan få ett säkert men fel svar.

Filmen visar

• Hur en bild blir tal.
• Hur ett filter glider över bilden och hittar kanter.
• Hur kanterna räknas ihop till ett svar.
• Hur brus kan få modellen att svara fel och ändå vara säker.

Du provar själv

Välj bild och filter, och se var filtret svarar. Lägg till brus tills modellen svarar fel.

Vad vi förenklar här

• Bilden är 16 × 16 pixlar i gråskala, och talen går från 0 till 9. Riktiga bilder har miljontals pixlar och tal från 0 till 255 per färg.
• Våra fyra filter är handskrivna. I ett riktigt nätverk lärs filtren in under träningen, och de är tusentals.
• Svaret räknas här direkt från kanterna, genom att jämföra med hur varje form brukar se ut. Riktiga nätverk har många lager mellan kanterna och svaret.