Психоделика 21 века: инцепционизм или картины нейронных сетей

МЕНЮ


Искусственный интеллект. Новости
Поиск

ТЕМЫ


Новости ИИРабота разумаВнедрение ИИРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информации

RSS


RSS новости

Авторизация



Новостная лента форума ailab.ru

«Страх и ненависть в Лас-Вегасе», Ван Гога и многое другое прогнали через экспериментальную программу Google

Герои фильма «Страх и ненависть в Лас-Вегасе» предстали в сюрреалистическом виде в отрывке из картины, модифицированном с помощью системы Deep Dream, которую создали специалисты Google для визуализации работы нейронных сетей.

Работу Deep Dream ранее иллюстрировали с помощью статических изображений. Когда системе предлагают для анализа некий материал, — картину или фотографию, — она усиливает на изображении особенности, напоминающие ей что-то знакомое. Таким образом можно увидеть, как работают различные уровни нейросети. Слои нижнего уровня находят в исходнике простые геометрические черты вроде наклонных линий и кругов, а слои высокого уровня отыскивают в увиденном сходство со знакомыми им изображениями людей или животных. Процесс получения новых изображений авторы Deep Dream назвали инцепционизмом.

***

В блоге Google опубликован рассказ группы исследователей о том, как искусственные нейронные сети научили писать свои картины. Для этого использовались нейросети, предназначенные для распознавания изображений, состоящих из 10-30 связанных слоев, которые работают последовательно: получив картинку, они анализируют ее и «сообщают» результаты анализа следующему слою. Например, первые слои могут искать на изображении края и углы, средние — интерпретировать наборы особенностей в отдельные объекты (например, двери или листья). Наконец, финальные слои объединяют все эти интерпретации воедино и делают выводы о том, что изображено на картинке — например, здание или дерево.

Чтобы получать «картины», исследователи заставляют работать нейронные сети задом наперед: они показывают сети случайный шум и просят «улучшить» его таким образом, чтобы на выходе получилась определенная интерпретация. Например, если попросить нейросеть «найти» в шуме банан, муравья или морскую звезду, та действительно подкорректирует изображение, чтобы в нем проявились узнаваемые черты.

Цель этого процесса — понять, правильно ли нейросеть интерпретирует те или иные объекты. Дело в том, что нейронные сети обучаются на большом количестве примеров. Можно показать им тысячу фотографий вилок, чтобы они определили нужные характеристики (ручка, четыре зубчика) и научились игнорировать лишние (цвет, форма, положение).

По словам исследователей, нейронной сети можно вообще не говорить, что именно нужно «нарисовать» — пусть решает сама. В таком случае ей на вход подают случайную картинку или фотографию, выбирают один из слоев нейросети и просят ее улучшить то, что этот слой найдет. Так как у каждого слоя свой уровень абстракции, то каждый раз получаются разные картинки.