Brittiläinen DeepMind, josta tuli osa Googlea vuonna 2014, pyrkii jatkuvasti parantamaan tekoälyä. Kesäkuussa 2018 työntekijät esittelivät hermoverkon, joka pystyy luomaan 3D-kuvia 2D-kuvista. Lokakuussa kehittäjät menivät pidemmälle - he perustivat BigGAN-hermoverkon luomaan kuvia luonnosta, eläimistä ja esineistä, joita on vaikea erottaa oikeista valokuvista.
Kuten muissakin keinotekoisissa kuvaprojekteissa, tämä tekniikka perustuu generatiiviseen kilpailevaan hermoverkkoon. Muista, että se koostuu kahdesta osasta: generaattorista ja erottelijasta. Ensimmäinen luo kuvia, ja toinen arvioi niiden samankaltaisuuden ihanteellisen tuloksen näytteiden kanssa.
Tässä työssä halusimme hämärtää rajaa AI: n luomien kuvien ja todellisen maailman valokuvien välillä. Huomasimme, että nykyiset tuotantomenetelmät ovat riittävät tähän.
Erilaisia sarjoja kuvia käytettiin opettamaan BigGAN luomaan kuvia perhosista, koirista ja ruoasta. Ensin, koulutus perustui ImageNet-tietokantaan, ja sitten - suurempi JFT-300M -sarja, 300 miljoonaa kuvaa, jaettuna 18 000 luokkaan.
BigGAN-koulutus kesti 2 päivää. Kesti 128 Google Tensor -prosessoria, jotka on suunniteltu erityisesti koneoppimiseen.
Skotlantilaisen Heriot-Watt-yliopiston professorit osallistuivat myös hermoverkon kehittämiseen. Tietoja tekniikasta on kuvattu artikkelissa Koulutus
laajamittainen generatiivinen kilpaileva hermostoverkko GAN korkealaatuisten luonnollisten kuvien syntetisoimiseksi”.
Mainosvideo:
Carnegie Melon -yliopiston tutkijat käyttivät syyskuussa generatiivisia keskustelevia hermostoverkkoja luodakseen järjestelmän ilmeiden päällekkäiseksi toisten kasvoihin.
Ramis Ganiev