MIT Ciência da Computação e Laboratório AI / Google
As redes neurais artificiais, com base no reconhecimento de imagem que os programas de trabalho, são capazes não só de analisar o conteúdo de uma imagem de classificar, mas também para gerar novas imagens criadas, em alguns casos, pinturas surrealistas, como tem Os investigadores demonstraram.
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.
Google
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.
Google
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.
Google
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.
Esquerda: George Seurat / Direita: Imagem processada por Matthew McNaughton, um engenheiro de software.
De acordo com os resultados, mesmo uma rede neural relativamente simples pode ser usada para interpretar um exagero imagem. A seguinte rede, por exemplo, foi formado, principalmente, de imagens de animais, por conseguinte, tende a interpretar como formas animais.
Google
A técnica pode ser aplicada a qualquer tipo de imagem. Nos exemplos seguintes, as montanhas tira tornar torres, edifícios, árvores de folhas e aves.
Google
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.
MIT Ciência da Computação e Laboratório AI / Google
MIT Ciência da Computação e Laboratório AI / Google
MIT Ciência da Computação e Laboratório AI / Google
As técnicas descritas, além de ajudar-nos a compreender melhor o funcionamento das redes, eles também fazem-nos saber se estas redes poderiam tornar-se uma ferramenta para artistas, ou talvez até mesmo lançar alguma luz sobre a origem do processo criativo em geral.FONTE:
http://actualidad.rt.com/
Nenhum comentário:
Postar um comentário
Faça seu comentário aqui ou deixe sua opinião.
Observação: somente um membro deste blog pode postar um comentário.