Машины пытаются научиться распознавать и идентифицировать фотографии, которые они наблюдали в течение многих лет. В 2013 году ему удалось достичь человеческого уровня. Системы машин обучения обеспечили простой вывод со сложного ввода. Он может обнаружить почти все детали фотографий и отображать пользователей, которые точно хотите, чтобы они хотели.
С другой стороны, иногда эти алгоритмы могут быть пойманы в ловушку. Хотя алгоритмы обучения машины могут легко распознать яблоко, если вы поместите одно и то же Apple в чистой сумке, это не понимает, что это такое. Потому что это неожиданный, необычный визуальный.
В 2014 году IAN Goodfellow и его коллеги в Университете Монреаля в Канаде разработали новую систему машинного обучения, используя теорию игры, чтобы превратить эту слабость в преимущество.
Вы знаете, почему это так важно? Системы машин обучения обеспечили простой вывод со сложного ввода. Например, вы загружаете фотографии в социальных сетях, которые являются входами. Алгоритмы ML создают простой выход, используя его нейронные сети. После анализа, он производит вывод от этих фотографий, обнаруживая объекты на фото. Итак, когда вы ищете что-то в Интернете, машина может легко найти ключевое слово, фильтруя тонны данных с произведенными тегами.
Вновь развитые «генеративные состязательные сети» могут сделать обратное. Он может создавать сложный вывод с простого ввода. Если вы даете компьютерные случайные числа, он создает чрезвычайно сложные и реалистичные фотографии человеческих лиц. Таким образом, машина не только учится, но и производит. Они учатся, производит!
Существует продуктивная сеть, и она начинает нарисовать изображение немедленно от случайного шума. Но есть также другая сеть, которая осматривает изображения, созданные продуктивной сетью.
Мы можем сравнить эти две две нейронные сети противникам в игре. Между ними постоянная борьба. Цель производителя в этой игре – обмануть дискриминатор и убедить его, что изображение, которое он производит реально. Цель дискриминатора состоит в том, чтобы извлечь как можно больше поддельных изображений, глядя на реальные изображения.
Вы можете играть с помощью генеративных состязательных сетей (GANS) в вашем браузере, нажав ссылку ниже:
GAN LAB
Соревную друг другу, они могут тренировать друг друга, чтобы сделать случайные точки прямой линией или кружком. Как вы заметите, компьютер требует тысяч экспериментов для изучения таких простых рисунков. Представьте, что вы дали настоящие человеческие фотографии вместо приведенного выше примера линии или круга.
В 2014 году, когда эта система была разработана, она производила очень низкое разрешение с черно-белыми цветами. За последние 5 лет качество фотографии, что искусственный интеллект может синтезировать, постепенно увеличивается.
За исключением всего 5 лет исследователи машинного обучения разработаны и начали применять методы GAN во многих различных областях. Например, теперь компьютеры могут производить персонажей мультфильма и аниме персонажей.
Что вызвало такой большой прогресс в такое короткое время? Потому что это не только о развитии технологии.
Показывает количество данных, создаваемых в Интернете. Все, что вы заметили? С 2010 года мы испытываем взрыв в данных, которые мы производим. Это одна из главных причин, почему Техника GAN становится все более успешной в машинном обучении с 2014 года. За последние 5 лет мы увеличили количество и разнообразие данных образца путем загрузки фотографий и видео, которые мы берем на платформы Интернета и социальных сетей.
Ну, как мы производим столько данных? Причина очень проста. Например, FACEAPP, что возрасте на людей. Только одно такое приложение позволяет загружать сотни миллионов фотографий в неделю.
Будем надеяться, что они используются только для машинного обучения. Поскольку мы приняли условия, не прочитав его, чтобы использовать приложение, мы даем все права этих фотографий в Ярослав Гончаров, который разработал заявку.
FaceApp – это всего лишь одно из приложений, использующих технику обучения машины и GAN. В настоящее время продюсерские нейронные сети воспринимают изображения как набор стилей. Он может выучить позу, осанку, волосы, форму лица, глаз, цвет кожи человека отдельно и производить новые фотографии.
Архитектура генератора на основе стиля для генеративных состязательных сетей
Перед FaceaPP, который использовался почти все, был Fakeapp, что некоторые люди знают. Fakeapp может сочетать видео знаменитостей с помощью GAN Techniques и заставить их делать то, что они никогда не делали. Deepfake видео
Для того, чтобы производить видео Deepfake, машины нужно снова учиться с помощью метода GAN. Хотя примеры в ссылке впечатляют, они на самом деле в процессе объединения двух существующих изображений.
Несколько месяцев назад, с техникой, разработанной в лабораториях искусственного интеллекта Samsung, стало возможным производить видео с одной фотографии.
Несколько выстрел состязается состязание реалистичных моделей нейронных головок
Обычно мы сказали, что в машинном обучении необходимо много данных. Достаточно дать компьютер один визуальный, чтобы узнать. Компьютер объединяет это с основными средствами лица для получения простого видео.
Вероятно, в ближайшее время мы сможем производить автоматические видео от Selfies, которые мы берем на нашем мобильном телефоне. Или мы можем включить нашу камеру и играть на фотографию, как марионетка с нашим собственным выражением лица.
Это все сейчас! Убедитесь, что вы следуете за мной в социальных сетях, и если вы найдете его полезным, пожалуйста, поделитесь Обратный Python с друзьями. Увидимся в следующем сообщении devs!
Обратный Python Instagram. Твиттер
Оригинал: “https://dev.to/coderasha/there-is-no-such-person-generative-adversarial-networks-443k”