Een vergelijking tussen de nauwkeurigheid van objectherkenning in schetsen door convolutionele neurale netwerken en door mensen

Abstract

Eén van de meest fundamentele manieren van communicatie is door middel van plaatjes. Het correct herkennen van deze plaatjes is daarom erg belangrijk. Binnen de kunstmatige intelligentie is het een interessante vraag of een algoritme deze taak beter kan dan mensen. In dit onderzoek wordt een convolutioneel neuraal netwerk (CNN) ontworpen, geïmplementeerd en getest om schetsen uit de Quickdraw dataset van Google te classificeren. Een groep participanten wordt gevraagd te classificeren aan de hand van een enquête. De resultaten van de classificatienauwkeurigheid van dit model worden vergeleken met de nauwkeurigheid van classificatie door mensen. Uit de resultaten blijkt dat op de gebruikte twintig categorieën uit de data het CNN significant beter presteert dan mensen, afgezien van één controleklasse die kijkt of het model in staat is te herkennen wanneer de schetsen niet tot de twintig gebruikte klassen behoren waarop het CNN slechter presteert. Wat geconcludeerd kan worden uit dit onderzoek is dat een convolutioneel neuraal netwerk dat getraind is om een beperkt aantal klassen schetsen te herkennen significant beter is in deze taak dan mensen. Er valt echter niet met zekerheid te zeggen of een convolutioneel neuraal netwerk bij toename in het aantal klassen nog steeds beter is in het herkennen van door mens getekende schetsen dan mensen zelf.