MIT Ciência da Computação e Laboratório AI / Google
Uma rede neural artificial é treinado gerando milhões de exemplos e os seus parâmetros de ajuste, gradualmente, até que ele dá a classificação é necessária. A rede consiste geralmente de 10 a 30 camadas de neurónios artificiais. Cada imagem é introduzido na camada de entrada que se comunica com o próximo e assim por diante, até que o resultado final.
Veja também: Top 10 Trends Tecnologia 2015
Uma maneira de visualizar o que acontece em cada nível seria iniciar um processo oposto e solicitar à rede para melhorar uma imagem de entrada para que obter uma interpretação particular. Por exemplo, para saber que tipo de resultado imagem em um 'banana', devemos começar com uma imagem preenchida com o ruído aleatório e, em seguida, modificá-lo para que a rede considera uma banana.
Surpreendentemente, verifica-se que as redes neurais artificiais que são treinados para distinguir entre diferentes tipos de imagens incluem informações suficientes para gerar imagens. Isso é mostrado nos seguintes exemplos de gnus, de medição, formiga, estrela do mar, peixe anêmona, banana, pára-quedas e parafuso.
As redes são formados com uma série de exemplos que lhes permitem extrair a essência de uma coisa e aprender a distinguir os elementos que não são importantes. O processo descrito acima ajuda precisamente para compreender se a rede aprende as características correctas. Por exemplo, na imagem abaixo, a rede atraiu pesos com um braço, provavelmente porque nenhum dos exemplos de treinamento mostraram que ele apareceu em separado. Este resultado ajudaria a corrigir erros de treinamento similar.
Ao invés de prescrever o que propriedade é expandir a rede, você pode permitir que a rede decidir isso sozinho. No entanto, o resultado dependerá em grande parte da camada de rede para a qual o teste é feito. Por exemplo, a camada básica determinar as arestas e posição na imagem irá sobrepor linhas e ornamentos simples.
No exemplo a seguir, você vê o resultado nas camadas superiores buscando objetos inteiros nas imagens. "Tudo o que você vê, queremos mais do mesmo", dizem os desenvolvedores para a rede. Como resultado, por exemplo, você pode acabar encontrando um pássaro inexistente em uma nuvem.
A técnica pode ser aplicada a qualquer tipo de imagem. Nos exemplos seguintes, as montanhas tira tornar torres, edifícios, árvores de folhas e aves.
Para obter algumas imagens muito interessantes, os pesquisadores deram um passo mais além ao introduzir uma imagem na rede e, em seguida, adicionar o resultado, e assim por diante, aplicando um 'zoom' em cada etapa. Você pode até mesmo usar uma imagem ruído aleatório principal, de modo que o resultado completamente pertence à rede de neurónios, como nas imagens seguintes.
FONTE:
http://actualidad.rt.com/