Derin Görsel Öğrenme – Beynimiz milyonlarca yıldır evrim geçiriyor. Sürekli değişime uğruyor. Devamlı olarak yeni uyaranlara ve koşullara uyum sağlamaya çalışıyor. Peki beynimiz nasıl mı görünüyor? Kafatası kemiğiyle iyi korunmuş, çeşitli şekillerdeki kıvrımları olan bir torba sümüksü ve yapışkan maddeyle dolu gibi görünüyor.
Beyin ve oluşturduğu milyarlarca nöron, zekânın ne olduğunu ve nasıl ortaya çıktığını anlamak için en iyi şansımızdır. Ancak zekanın ilginç bir yani var ki kendi zekamızla yapay zeka üretiyoruz ve ardından kendi üretimimiz olan bu şeyi açıklamaya çalışıyoruz.
Evrişimli Nöron Ağı – CNN Nedir?
Son yıllarda akıllı makineler yaratmaya bir adım daha yaklaştık. Özellikle görme açısından görüntüleri binlerce kategori içinden doğru bir şekilde sınıflandırabilen sistemlerimiz var. Bu sistemlerin en iyi yönü; iki sinyalin birlikte evrişimi anlamına gelen CNNs (Convolutional Neural Networks – Evrişimli Sinir Ağları) ve bunları eğitmek için kullanılan beyindeki grafik işlem birimlerinin verimliliğidir.
Derin Görsel öğrenmeyi tetikleyen CNN’ler yeterli miktarda görüntü kullanılarak eğitildikten sonra daha önce hiç görmedikleri görüntüleri sınıflandırabilecek şekilde ayarlamayı öğrenebiliyorlar.
“Görsel bilgi beynimize gözlerimizden girer, beyin bölgelerindeki nöronlar boyunca dolaşır ve artan karmaşıklık aşamalarında tüketilir…”
CNN’lerin rolü, bir girdi görüntüsü almak ve tanımak üzere eğitildiği nesnelerin her biri için bir dizi olasılığı çevirmektir. CNN’ler hakkında konuşurken sık sık ortaya çıkan bir terim; model nöronlarımızın çıktısı olan “özellikler”dir.
Evrişimli nöron ağı olan CNN’lere, her modelde ait olduğu katmana bağlı olarak gerçekleştirilmesi için matematiksel bir işlem atanır. Örneğin, elektriksel uyarıları gönderen bir sinir hücresi ve sinir sisteminin işlevsel birimi olan bir nöron işleme akışındaki erken, orta veya geç bir katmana ait olabilir. Bu işlem, nöronun ağırlıklarını ya da bağlantı kuvvetlerini ve “görebileceği” küçük pencereyi içerir.
Bir nöronu, baktığı alanın ağırlıklarının modeline aşina bir şey içerip içermediğini kontrol eden ve bu aşinalık için bir “puan” veren bir model detektörü olarak da düşünebilirsiniz.
Örnek CNN mimarisi: Tipik bir “Evrişimli Nöron Ağı” nasıl görünür?
İlginç bir şekilde, CNN’ler beynimizin görsel sisteminden bir şekilde esinlenmiştir.
Derin Görsel Öğrenme – Görsel bilgi beynimize gözlerimizden girer, beyin bölgelerindeki nöronlar boyunca dolaşır. Kenarlar, çizgiler ve eğriler gibi basit görsel temsillerden başlayarak yüzler veya tüm vücutlar gibi daha kompleks temsillere kadar giderek artan karmaşıklık aşamalarında tüketilir.
Gerçek, CNN’lerin de kopyaladığı, karmaşıklığın arttığı aşamalarda bilginin bu şekilde yeniden yapılandırılmasıdır. Kavram, vizyona yönelik eski hesaplama yaklaşımlarına yabancı değildir. Aynı zamanda, korteksteki görsel işlemeyi “giderek daha karmaşık temsillerin hiyerarşisi” olarak açıklamaya çalışan daha eski ve biyolojik olarak ilham alan HMAX modelinde de görülmektedir.
CNN katmanlarında yapay nöronlar kullanarak görsel sistemin nöronları için nasıl bir model oluşturabiliriz? Bir “model”, biyolojik bir nöronla aynı girdi verildiğinde benzer bir çıktı üretebilen matematiksel bir fonksiyondur. Bunu oluşturmak için önce girdiyi anlamak ve tanımlamak gerekir.
KU Leuven Nörofizyoloji Grubundan bilim insanları tarafından yapılan bir araştırmaya bakalım:
Söz konusu çalışma, özellikle nesne tanıma ve form temsili ile ilişkili olan görsel sistemimizin “geç” işlem aşamalarından biri olduğu bilinen ve daha spesifik olarak görüntülere karşı aza-organ içeren (örneğin yüzler) görüntülere daha duyarlı olan bir hücre bölümünden inferotemporal kortekse baktı.
İlgili nöron grubu aşağıdaki resimde görüldüğü gibi başsız olsa bile görüntüde bir vücut olduğunda uyarılırlar!
Biyolojik nöronlar bunun gibi görüntülere yanıt verir. Bilim insanları daha sonra elektrofizyoloji deneyleri gibi nöronal yanıtları toplayabilir.
Bu tür deneylerde, bir maymun monitörde görüntülenir ve maymunun beynine yerleştirilen bir elektrot, nöronların aktivitesini veya sunulan görüntülere verdiği tepkiyi kaydeder.
Örnek bir nöron, beyaz arka plana sahip yüzlerce siyah şekil görüntüsü ile sunuldu. Bazı şekiller rastgele, bazı şekiller hayvan veya insan bedenlerine benziyordu ve diğer şekiller diğer kategorilerin siluetlerine benziyordu. Amaç bu nöronun siluet görüntülerine gerçek biyolojik tepkisini tahmin etmek için CNN katmanlarından yapay nöronları kullanıp kullanamayacağımızı bulmaktı.
Derin CNN katmanları, girdi olarak bir görüntüyü alabiliyor ve gerçek bir nöronun üreteceği şeye çok yakın bir yanıt üretebiliyor!
Çalışmada, CNN’ler önceden eğitildi; bu, görüntüleri çok büyük bir veri kümesi kullanarak sınıflandırmanın önceden öğretildiği anlamına geliyor.
Böylece her katmanın aktivasyonunu elde etmek için, bilim insanları bu önceden eğitilmiş ağa bir girdi görüntüsü sağladı ve ardından her katmanın çıktısını aldı.
Çalışmadaki matematiksel modelleme biyolojik nöronun tepkisi ile yapay nöronların aktivasyonlarının karşılık gelen değerler arasındaki ilişkiyi ölçtü.
Yapılan görev, istatistikçilerin “regresyon analizi” dedikleri şeydir; burada kişi, diğer değişkenlerin değerleri (yapay nöronların aktivasyonları) verildiğinde bir değişkenin değerini (biyolojik nöronun tepkisi) tahmin etmeye çalışır.
Her regresyon analizinde, ilgili iki sayısal matris vardı: tahmin edici değişkenlerin X matrisi ve hedef değişken(ler)in Y matrisi. Çalışmada, bilim adamları her bir CNN katmanı için ayrı bir regresyon düzeni oluşturdular. Bu regresyon analizi kurulumlarını kurarak, bir maymunun biyolojik nöronunu bir CNN katmanında (X) bulunan tüm yapay nöronlarla değiştirmeyi ve ani artış modelinin (Y) neye benzediğini keşfetmeyi amaçladılar.
Sonuç olarak, bu çalışma, daha derin CNN katmanlarının, beynimizin görsel işleme aşamalarında daha derin olan vücut yama nöronları için güçlü modeller olduğunu kanıtladı. Önceden eğitilmiş ağlar doğal görüntüler kullanılarak eğitilirken, bu durum siluet görüntüleri kullanan bu çalışmanın sonuçlarını engellemedi. Böylece, derin CNN katmanları girdi olarak bir görüntü alabilir ve gerçek bir nöronun üreteceği şeye çok yakın bir yanıt üretebilmektedir!
Gerçekten de matematiksel işlemleri gerçekleştiren yapay nöron topluluğu, görsel nöronlarımızın çalışma şekline çok yaklaşıyor!
Yapay sinir ağlarını kullanarak beyni simüle etme yeteneğimiz hiç bu kadar güçlü olmamıştı. Beynin mühendisliğini tersine çevirmesinin anahtarı, yapay zeka ve sinirbilimin garip bir evliliği olabilir.
Yapay zekaya dair ilginç bir anı ”Yapay Zeka – Ve İnsan Yapay Zeka Bilgisayara Yenildi” yazısı üzerinden inceleyebilirsiniz.
Not: Bu yazı daha önce https://knowingneurons.com adresinde yayınlandı.
(Kaynak: https://knowingneurons.com/deepneuralnetworks/)
