Ученые создали нейросеть для обработки рекламных фотографий с моделями

Нейросеть создаёт 3D-модели лиц по одной фотографии — Офтоп на TJ

То, что совсем недавно требовало серьёзной работы, искусственный интеллект теперь делает за пару секунд.

Осторожно, в материале много гифок!

7 сентября специалисты британских Университетов Ноттингема и Кингстона представили проект по 3D-реконструкции лиц на основе одного изображения. Для этого исследователи создали нейросеть, через которую пропустили множество объёмных 3D-моделей людей и обычных портретов. Таким образом алгоритм научился довольно качественно воссоздавать объёмные лица людей на основе всего одного снимка.

В описании к своей работе учёные отметили, что создание 3D-реконструкции лица человека всегда было фундаментальной проблемой для компьютерного зрения. Обычно машине требовалось по меньшей мере несколько фотографий с разных ракурсов и много других входных данных для построения объёмных моделей, но даже в этих случаях результат получался не идеальным.

Обратите внимание

В Университете Ноттингема смогли избавиться от ошибок и ограничений, обучив свёрточную нейронную сеть (архитектура таких нейросетей нацелена на распознавание изображений) на большом количестве двухмерных изображений и трёхмерных моделей и сканов.

Как пояснили исследователи, они добились того, что алгоритму требуется всего одно изображение человека, причём система сможет построить модель с разными позами и эмоциями и даже если часть лица не видна.

По словам учёных, они использовали простую архитектуру прямой регрессии объёмного изображения от единственного двухмерного снимка.

Проверить работу искусственного интеллекта можно на сайте исследователей. С 7 сентября пользователи сети загрузили 210 тысяч лиц и просмотрели объёмные модели почти полмиллиона раз. Разработчики обещают удалять все изображения и 3D-маски через полчаса после загрузки и никогда не использовать их вновь.

TJ провёл собственный тест нейросети, загрузив в неё фотографии известных предпринимателей, актёров, политиков, персонажей из популярных фильмов и мемы.

Путин

В случае с президентом России искусственный интеллект справился не особо хорошо

Навальный

С оппозиционным политиком Алексеем Навальным, вышло, наоборот, неплохо

Борис Ельцин

Павел Дуров

Пресс-секретарь президента и его усыСмеющегося Тома Круза как-будто подменило «Нечто»Мать драконов и её дитя

Алгоритм не всегда хорошо срабатывает с лицами темнокожих людей, однако со сгенерированным на компьютере персонажем из «Аватара» он справился с первого раза.

#нейросети #офтоп

Источник: https://tjournal.ru/flood/59626-ai-human-faces-in-3D

Бум нейросетей: Кто делает нейронные сети, зачем они нужны и сколько денег могут приносить — Будущее на vc.ru

В первой половине 2016 года мир услышал о множестве разработок в области нейронных сетей — свои алгоритмы демонстрировали Google (сеть-игрок в го AlphaGo), Microsoft (ряд сервисов для идентификации изображений), стартапы MSQRD, Prisma и другие.

Редакция vc.ru рассказывает, что из себя представляют нейронные сети, для чего они нужны, почему захватили планету именно сейчас, а не годами раньше или позже, сколько на них можно заработать и кто является основными игроками рынка. Своими мнениями также поделились эксперты из МФТИ, «Яндекса», Mail.Ru Group и Microsoft.

Что собой представляют нейронные сети и какие задачи они могут решать

Нейронные сети — одно из направлений в разработке систем искусственного интеллекта.

Идея заключается в том, чтобы максимально близко смоделировать работу человеческой нервной системы — а именно, её способности к обучению и исправлению ошибок.

В этом состоит главная особенность любой нейронной сети — она способна самостоятельно обучаться и действовать на основании предыдущего опыта, с каждым разом делая всё меньше ошибок.

Важно

Нейросеть имитирует не только деятельность, но и структуру нервной системы человека. Такая сеть состоит из большого числа отдельных вычислительных элементов («нейронов»). В большинстве случаев каждый «нейрон» относится к определённому слою сети.

Входные данные последовательно проходят обработку на всех слоях сети. Параметры каждого «нейрона» могут изменяться в зависимости от результатов, полученных на предыдущих наборах входных данных, изменяя таким образом и порядок работы всей системы.

Руководитель направления «Поиск Mail.ru» в Mail.Ru Group Андрей Калинин отмечает, что нейронные сети способны решать такие же задачи, как и другие алгоритмы машинного обучения, разница заключается лишь в подходе к обучению.

Все задачи, которые могут решать нейронные сети, так или иначе связаны с обучением. Среди основных областей применения нейронных сетей — прогнозирование, принятие решений, распознавание образов, оптимизация, анализ данных.

Директор программ технологического сотрудничества Microsoft в России Влад Шершульский замечает, что сейчас нейросети применяются повсеместно: «Например, многие крупные интернет-сайты используют их, чтобы сделать реакцию на поведение пользователей более естественной и полезной своей аудитории.

Нейросети лежат в основе большинства современных систем распознавания и синтеза речи, а также распознавания и обработки изображений. Они применяются в некоторых системах навигации, будь то промышленные роботы или беспилотные автомобили.

Алгоритмы на основе нейросетей защищают информационные системы от атак злоумышленников и помогают выявлять незаконный контент в сети».

Совет

В ближайшей перспективе (5-10 лет), полагает Шершульский, нейронные сети будут использоваться ещё шире:

Заведующий лабораторией нейронных систем и глубокого обучения Центра живых систем МФТИ Михаил Бурцев приводит предположительную карту развития нейронных сетей на 2016-2018 годы:

  • системы распознавания и классификации объектов на изображениях;

Источник: https://vc.ru/future/16843-neural-networks

Российские ученые создали нейросеть с “человеческими” глазами

Ученые из Института математических проблем биологии РАН создали нейросеть, которая управляет своим “взглядом” и ищет объекты на воспринимаемой картинке почти так же, как это делают органы зрения и мозг человека, говорится в статье, опубликованной в журнале Neural Networks.

“Разработанная модель предлагает простое и неожиданное объяснение для весьма сложного когнитивного процесса поиска и распознавания объектов на картинке, воспринимаемой нашими глазами”, — рассказывает Яков Казанович из Института математических проблем биологии РАН в Пущино.

По его словам, созданная его командой нейросеть должна помочь нейрофизиологам разобраться в том, как работает реальное человеческое зрение.

За последние десять лет сотни программистов и десятки крупных IT-компаний создали бесчисленное множество систем машинного зрения, способных распознавать различные объекты на воспринимаемой картинке и классифицировать их.

Эти данные современные роботы, поисковые машины и дроны могут использовать для самых разных целей — к примеру, для обхождения препятствий или поиска клиента при доставке посылки.

Несмотря на огромные успехи в этой области, ученые до сих пор фактически ничего не знают о том, как работает зрение человека и животных и как нам удается автоматически классифицировать и распознавать даже те объекты, которые мы никогда раньше не видели.

Поэтому, как рассказывает Казанович, многие особенности человеческого сознания, восприятия реальности и зрения до сих пор остаются загадкой для нейрофизиологов и психологов.

К примеру, ученые достаточно давно спорят о том, почему человек очень легко находит “контрастирующие” объекты в огромном множестве непохожих на него других структур, но при этом испытывает сложности при поиске нескольких фигур, запрятанных в небольшом числе похожих на них объектов.

Читайте также:  Космический корабль наса сможет мыслить самостоятельно

Казанович и его коллега Роман Борисюк сделали большой шаг к решению этой проблемы, создав систему искусственного интеллекта, которая при решении этих задач ведет себя абсолютно таким же образом, что и человек.

Главной ее особенностью, как рассказывают ученые, является то, что она состоит из множества относительно независимых друг от друга структур, так называемых “ансамблей”, нейроны в которых вырабатывают особые колебания.

Одна из этих структур становится своеобразным “дирижером”, который управляет работой остальных “ансамблей” и раздает им задания, а другие ансамбли по сути являются объектами, которые “видит” нейросеть на картинке.

“Ансамбли” постоянно конкурируют друг с другом за влияние на “дирижера” и на работу всей нейросети в целом. То, как протекает эта конкуренция, как показали опыты и расчеты Казановича, почти идеально отражает принцип работы зрения человека и похоже на “скольжение” нашего взгляда по картинке при поиске объектов разной степени “контрастности”.

Обратите внимание

Эта модель, как надеются ученые, поможет нейрофизиологам не только найти аналогичные структуры в мозге человека и обезьян, но и понять, как они работают, что приблизит нас к созданию “естественных” систем машинного зрения.

Источник: https://gisher.news/ru/hi-tech/rossiyskie-uchenie-sozdali-neyroset-s-chelovecheskimi-glazami.html

Нейросеть от Adobe мгновенно разоблачает фейковые фотографии

Современные GAN упростили процесс подделки изображений и поэтому, к сожалению, фальшивые изображения всё чаще и чаще используются в политических целях и для недобросовестного ведения дел.

Ещё сильнее осложняет ситуацию то, что даже при тщательной проверке человеку очень трудно определить обработанное место на изображении. В Adobe задумались о том, как спасти СМИ от тотального недоверия.

 Выход из ситуации — использование нейронных сетей.

Прежде чем мы детально рассмотрим возможности нейронных сетей, определяющих отредактированные изображения, вспомним основные методы редактирования:

  • Склеивание — копирование части одного изображения и вставка этой части на другое изображение;
  • Копирование-сдвиг — копированиеи вставка на одном изображении;
  • Удаление — удаление части изображения и его перерисовка.

Группа ученых, возглавляемая Peng Zhou, исследовала возможность адаптации нейросетей, используемых для детекции образов, к задаче определения поддельных изображений. Предлагаемый подход позволяет выявить все три способа изменения изображений.

Исследователи решили применить двухпоточную нейросеть, которая обрабатывает одновременно RGB-изображение и его шумовые особенности. Они переделали Faster R-CNN в двухпоточную нейросеть с end-to-end обучением.

Первый поток обрабатывает особенности с RGB каналов для определения визуальных несоответствий на границе отредактированных областей, а также для регистрации несовпадения контраста обработанных и оригинальных частей изображения. Второй поток анализирует локальные шумовые особенности.

Два потока дополняют друг друга в поиске “фотошопа” на изображениях.

Смотреть: Сделайте Фото на документы из селфи прямо сейчас

Нейросеть состоит из трёх главных блоков:

1. RGB-поток — ответственен за семантическое определение отредактированных областей.

Особенности исходного RGB изображения подаются на вход нейросети ResNet 101, затем они используются для определения метода редактирования с помощью техники bounding box regression.

Нейросеть RPN в RGB потоке также использует эти особенности для определения возможного ROI (region of interest), который будет использован в рамках этой техники. Эксперименты показывают, что RGB особенности определяются нейросетью RPN лучше, чем шумовые особенности.

Одного RGB потока недостаточно для определения тех областей редактирования, где была применена пост-обработка для сглаживания границ вставленного элемента и выравнивания его контраста в соответствии с изображением. Поэтому был введён второй поток.

2. Шумовой поток — введён для определения шумовых, а не семантических особенностей входного изображения. Здесь исследователи используют достижения стегоанализа (steganalysis rich model (SRM)) и применяют SRM-фильтр для создания шумовых особенностей на изображении. Получаемые карты шумовых особенностей можно увидеть в третьей колонке на рисунке ниже.

Иллюстрация поддельных изображений

Шум создаётся как разница между значением пикселя и оценкой его значения, полученной посредством интерполяции значений соседних пикселей. В шумовом потоке используется тот же объединяющий ROI слой (RoI pooling layer на схеме), что и в RGB потоке.

3. Слой билинейного объединения — производитсоединение RGB и шумового потоков в двухпоточной СНС с сохранением пространственной информации для повышения достоверности обнаружения отредактированных областей.

На выход этого слоя поступают ROI особенности обоих потоков. Затем производится нормировка по квадратичной норме и норме L2, и данные передаются в полностью соединённый слой.

В технике bounding box regressionиспользуется гладкая функция потерь L1, а для классификации метода редактирования применена функция потерь перекрёстной энтропии.

Важно

Представленный в данной статье метод был приведён в количественное сравнение с другими современными методами на примере датасетов NIST16, Columbia, COVER и CASIA. Сравнение было выполнено с применением двух оценочных метрик: F1 score и Area Under the receiver operating characteristic Curve (AUC).

Предлагаемая модель (RGB-N) была приведена в сравнение как с другими методами (ELA, NOI1, CFA1, MFCN, и J-LSTM), так и с одним RGB потоком (RGB Net), с одним шумовым потоком (Noise Net) и с моделью, в которой реализовано прямое объединение всех зарегистрированных ROI из RGB Net и Noise Net (Late fusion). Результаты данного сравнения представлены в таблицах ниже.

Таблица 1. Сравнение по метрике F1 scoreТаблица 2. Сравнение по метрике AUC

Из таблиц видно, что модель RGB-N превосходит такие общепризнанные методы, как ELA, NOI1 и CFA1.

Причиной этого может быть тот факт, что все эти методы сфокусированы на специфичных артефактах редактирования, которые содержат только часть информации о локализации обработанного региона.

Метод MFCN был превзойдён предлагаемой моделью на датасетах NIST15 и Columbia, однако показал более высокий результат на датасете CASIA.

Кроме того, можно заметить, что с датасетом Columbia шумовой поток работает лучше (на основании оценок в метрике F1), чем двухпоточная модель. Причина этого в том, что изображения этого датасета содержат только несжатые «склеенные» области, поэтому хорошо сохраняют разницу в шуме.

Ниже приведены результаты качественного сравнения нейросетей RGB Net, Noise Net, и RGB-N на примере двух типов обработки изображений. Как видно, двухпоточная нейросеть даёт корректный результат, даже если один из потоков ошибается (RGB-поток в первой строке, шумовой поток во второй).

Качественное сравнение результатов

Более того, рассматриваемая нейросеть позволяет определить метод, использованный при редактировании изображения. Используя информацию шумового и RGB потоков, она может различить склеивание, копирование и удаление, произведенные при обработке изображений. Несколько примеров этого приведены ниже.

Качественные результаты определения методов редактирования

Читайте также:  Американские учёные боятся, что развитие искусственного интеллекта приведёт к повышению уровня безработицы

Новый подход к определению подлинности изображения превосходит современные методы.

 Столь высокий результат достигается путём совмещения двух различных потоков (RGB и шумового) для выявления особенностей, возникающих при редактировании. Как видно, два потока дополняют друг друга при определении обработанных областей изображения.

Шумовые особенности, выявленные SRM фильтром, позволяют нейросети перехватывать шумовые несоответствия между отредактированным и оригинальным регионами изображения.

Кроме того, RGB-N способна различать методы редактирования. Таким образом, она не только указывает, какая область изображения была обработана, но и говорит, как эта область была обработана: был ли объект вставлен, удалён или копирован. Поэтому, используя такую нейросеть, вы без труда сможете отличить оригинальное изображение от подделки.

Перевод — Борис Румянцев, оригинал — Kateryna Koidan.

Источник: https://neurohive.io/ru/papers/nejroset-ot-adobe-mgnovenno-razoblachaet-fejkovye-fotografii/

Это ловушка: почему нейросети — лучшие друзья девушек в 2018 году

Какой ужас! Я только что загрузила свое селфи в приложение MakeApp и нажала на кнопку «Удалить макияж». Его на мне было не много.

Вместе с ним программа лишила меня части бровей и ресниц, сделала лицо и губы на пару тонов бледнее и зачем-то подрисовала темные круги под глазами и прочертила морщины. Так плохо я не выгляжу даже с похмелья.

Не понимаю, с какой целью искусственный интеллект это со мной сделал.

«MakeApp – это технология машинного обучения, – объясняет мне создатель приложения Ашот Габрелянов, бывший босс LifeNews. – Она различает черты человеческого лица под слоем тонального крема, туши и помады». Всем же интересно посмотреть, как выглядит Джей-Ло без штукатурки.

Кроме разоблачения чужих обманов (на такого рода фокусах LifeNews всегда делал себе кассу) в приложение Габрелянова заложено несколько теоретически полезных для девушки функций. Там есть, например, фильтры с разными видами макияжа. Их подводка и румяна выглядят не как мультяшная маска, они аккуратно, реалистично интегрируются в ваше лицо.

«Теперь, чтобы выложить селфи в инстаграм, вам не надо сидеть часами перед зеркалом, выводя стрелки», – объясняет Габрелянов.

Но сколько бы его фильтров я на себя ни накладывала, они превращают меня в пышногубую фею YouTube Ники Минаж: ресницы до бровей и толстый слой контуринга.

Ашот успокаивает: «Моя игрушка использует технологию машинного обучения, а значит, имеет способность к самообразованию. Она учится на своих ошибках.

Обычные программы действуют согласно раз и навсегда заложенным в них алгоритмам, а нейронные сети работают по принципу человеческого мозга – они анализируют закономерности и ищут наиболее подходящий вариант решения задачи».

Вот оно, будущее. «И у этого будущего далеко не человеческое лицо» – так говорит Андрей Себрант, кандидат физико-математических наук, директор по маркетингу «Яндекса».

Совет

По его словам, нейронные сети сейчас так активно используются и развиваются, что можно смело заявлять: мы живем в эпоху четвертой научно-технической революции (первая подарила миру ткацкий станок, вторая – паровой двигатель, третья – компьютер).

Развлекательные приложения вроде MakeApp или наделавший пару лет назад шума Prisma подогревают интерес к теме.

Заложенный в них механизм «компьютерного зрения» нужен, на самом деле, для серьезных вещей.

Благодаря ему автомобили уже научились везти вас на автопилоте по городу, тормозить перед пешеходами и парковаться в узкую щель. И это умеет не только Tesla Илона Маска, но и простой Ford Focus.

Габрелянов говорит, что его MakeApp – тоже серьезная, полезная для общества вещь. По его словам, проектом «заинтересовались спецслужбы». Американские агентства просят разрешения использовать MakeApp в своих целях. За хорошую плату.

Сказали, что технология поможет искать попавших в сексуальное рабство девушек, внешность которых сутенеры так меняют с помощью татуажа, что даже родные матери не могут их узнать. Ашот говорит, что разработкой поделился и денег брать не стал.

«Конечно, сразу нашлись феминистки и правозащитницы, которые набросились на нас с обвинениями в расизме, – якобы приложение сильно осветляет темнокожих пользователей. Но это полная ерунда», – негодует Габрелянов.

С феминистками я, пожалуй, соглашусь: приложение показало меня, девушку, не объективно, а хуже, чем я есть на самом деле. Но оно самообучающееся, обещает исправиться.

Ксения Щеглова загрузила в приложение MakeApp свое селфи. Наверху в центре – ее фото с макияжем без компьютерной обработки. Слева – телефон стер с ее лица косметику (почему-то добавив пару десятков лет), справа – предложил свой вариант. Для сравнения внизу аналогичная процедура с фотографией модели Кендалл Дженнер.

Обратите внимание

К слову, в расизме обвинили не только Габрелянова-младшего. Команду разработчиков из сколковских Youth Laboratories тоже критикуют. В 2015 году они запустили онлайн-конкурс красоты Beauty AI (AI – это artificial intelligence), где в жюри сидели роботы.

«Мужчины и женщины со всего мира присылали свои фотографии, указывали возраст и этническую принадлежность. Алгоритм обрабатывал изображения и выбирал победителей по множеству параметров, в том числе оценивая правильность черт лица», – объясняет один из авторов проекта Анастасия Георгиевская.

Из-за того, что в финал вышло больше представителей европеоидной расы, пресса подняла бунт. «Но ведь это простая статистика. Людей негроидной и монголоидной рас среди конкурсантов было меньше, а машина выбирала среди всех, а не внутри каждой расы отдельно».

Анастасия Георгиевская сделала из ситуации вывод: «В будущем взаимодействие людей и роботов неизбежно, поэтому нужно разработать систему, которая сведет до минимума предвзятость при выборе между людьми разных рас». Да, пожалуйста, разработайте.

Технологию анализа человеческих лиц сейчас активно внедряют в банках и хедхантинговых агентствах – и компьютер при прочих равных пока что выбирает белых и пушистых. Что несправедливо.

Конкурс красоты был только первым шагом к глобальной цели Георгиевской. Еще студенткой МГУ она начала искать средство от старения и болезней. Beauty AI собрал для нее базу данных с фотографиями людей разных полов, возрастов и этнических групп.

«Мы сделали на их основе новое приложение. Машина рассортировала фото по категориям: кожа с морщинами, акне, пигментацией, неровным цветом, мешками и синяками под глазами. Сейчас создаем алгоритм, который будет предлагать решения этих проблем».

У Youth Laboratories уже есть приложение Rynkl, которое, основываясь на состоянии вашей кожи, выдает ваш предполагаемый возраст. Следующий шаг – алгоритм, который будет давать косметические советы. Просыпаетесь, делаете селфи, и приложение тут же предложит вам рекомендации с учетом дня цикла и погоды за окном.

Подскажет, какой купить крем: с гиалуроновой кислотой и пептидами против морщин или с витамином С от пигментации и акне. Разработчики говорят, что это не рекламный проект и конкретные средства конкретных марок приложение продавать вам не будет.

Но это все пока не готово, на разработку уйдет от одного года до полутора лет.

Зато камеры на телефонах уже сейчас стали светочувствительнее, чем человеческий глаз. Объектив улавливает нюансы, которые вы сами не видите. Тем более что в зеркало мы на себя смотрим слишком эмоционально, необъективно – а машину не обманешь.

Если она сочтет, что у вас лицо отекло больше обычного, вы получите от нее совет сходить к врачу. Заняться бегом или йогой, лечь спать в указанное ею время, не есть икру на ночь.

Она даже может угадывать ваше настроение – но для этого ей понадобится видео.

Нейронные сети живут уже не только в смартфонах, но и в одежде.

Купальник Supa Powered Sports со встроенным датчиком сердцебиения и ультрафиолета постепенно будет узнавать ваши привычки и возможности, чтобы правильно подсказывать, когда закончить игру в пляжный волейбол, не переутомиться и не сгореть под солнцем. Легинсы для йоги Nadi X запоминают ваши движения и с помощью приложения корректируют повторяющиеся ошибки в выполнении асан.

Важно

Если «позу воина» и чудеса параллельной парковки вы творите самостоятельно, не надейтесь, что нейронные сети за вами не следят. Вам стоит всего раз зайти в онлайн-магазин косметики, чтобы на второй машина уже составила список покупок за вас. Вы удивитесь, но восемьдесят процентов подобранных средств вам точно понравится.

Читайте также:  Японские инженеры представили робота-санитара

Потому что хитрая машина сообразила: на красные помады вы смотрели дольше, чем на розовые. Потом она заглянула к вам в соцсети, посмотрела фотографии – и знает про вас уже больше, чем мама с папой.

Теперь она будет бегать за вами по интернету со своей контекстной рекламой и с каждым успешным свиданием сумеет повысить свою осведомленность о вашем уникальном вкусе.

Источник: https://www.tatler.ru/beauty/eto-lovushka-pochemu-nejroseti-luchshie-druzya-devushek-v-2018-godu

Учёные создали приложение, с помощью которого можно увидеть духов на фото

Молодые американские учёные с помощью искусственного интеллекта создали уникальное приложение, помогающее видеть то, что скрыто от человеческого глаза.

Пока все люди стирают в FaceTune изъяны, изобретение AI Spirits помогает расширить границы человеческой фантазии и с помощью нейросети распознаёт на снимках пейзажей призраков.

Результат получается порой пугающим, но поверьте, он безусловно того стоит.

Студенты Массачусетского технологического института Зив Эпштейн и Мэтт Грохом разработали систему искусственного интеллекта, которая вставляет на фотографии человеческие фантомы, пишет Digg. На их сайте AI Spirits вы можете загрузить изображения пустых ландшафтов, чтобы потом увидеть на них человекообразные тени.

AI Spirits ставит призрачные фигуры точно там, где ваш мозг ожидает их увидеть — например, посередине леса. Чтобы лучше понять, как это выглядит, достаточно посмотреть на несколько примеров снимков, опубликованных на сайте ребят.

Свою разработку Грох и Эпштейн сделали на основе последнего проекта команды — Deep Angel, который, наоборот, стирает изображения людей на фотографиях. Данные, полученные при работе с Deep Angel, позволили обучить AI Spirits определять, где в кадре чаще всего расположен человек.

Для учёных AI Spirits больше чем нейронная сеть: изобретение несёт для них эмоциональное значение.

В мире вокруг нас многие люди прожили полную жизнь и пошли дальше. Но они всё ещё с нами эмоционально, духовно и интеллектуально, — говорит Эпштейн.

— В повседневной жизни мы можем забыть их и видеть только пустоту вокруг нас.

Совет

AI Spirits — это визуализация саудада (непереводимое слово португальского языка, означающее эмоциональное состояние печали и ностальгии об утраченном — прим. Medialeaks), наличие отсутствия.

Эпштейн рассказывает, что их изобретение схоже с «эффектом зловещей долины» (гипотеза, по которой робот или другой объект, выглядящий или действующий примерно как человек, вызывает неприязнь и отвращение у людей-наблюдателей). Примерно такого же эффекта достигают изображения, обработанные в программе.

Официальный ролик изобретения, честно скажем, выглядит пугающе, но притягательно красиво, а тревожная музыка только добавляет пикантности и зрелищности.

Своим изобретением молодые учёные также хотели показать могущество искусственного интеллекта, которое недооценивают или не осознают многие люди.

Грох и Эпштейн не отрицают, что создали нейросеть, цель которой — заставлять нас чувствовать страх. Но самое страшное в этом то, что она пугает людей, основываясь на том, чему её обучили.

По словам учёных, нейросети могут кодировать в себе такие особенности человеческой природы, о которых мы сами и не подозреваем.

Разработчики добавляют, что подобно алгоритмам распознавания лиц, которые терпят неудачу в отношении расовых и гендерных меньшинств, ИИ может быть довольно злым, когда он видит только небольшую, но определённую часть мира.

Я не думаю, что злонамеренные силы скрываются в [AI Spirits], но если модели машинного обучения применяются без разбора и используются ненадлежащим образом, существует множество несправедливых вещей, которые могут выйти из-под контроля.

Источник: http://internetua.com/ucsenye-sozdali-prilojenie-s-pomosxua-kotorogo-mojno-uvidet-duhov-na-foto

Глубокую нейросеть научили воображению

Поскольку анализ мозговой активности является трудоемким и не всегда обеспечивает высокую надежность диагностики, ученые работают над его автоматизацией.

Прошлые эксперименты показали, что существующие алгоритмы машинного обучения позволяют создавать искусственные нейросети, которые могут реконструировать увиденное и воображаемое человеком с помощью снимков, сделанных путем функциональной магнитно-резонансной томографии (фМРТ).

Но, как правило, такие декодеры не способны предсказать психическое содержание, соответствующее незнакомым стимулам. Это накладывает на технологию фундаментальное ограничение, делая нейросеть зависимой от тренировок.

Обратите внимание

Авторы новой работы разработали глубокую нейросеть, которая позволяет воспроизводить психическое содержание несмотря на сравнительную новизну стимулов.

На первом этапе ученые обследовали пятерых человек — вместо большой выборки они согласно современным протоколам поведенческих МРТ-экспериментов привлекли хорошо подготовленных испытуемых.

Находясь в томографе, они просматривали две группы изображений из базы ImageNet: 1200 из 150 категорий (например, «леопарды») и, в качестве контроля, 50 отдельных снимков. Затем им показывали список слов, одно из которых выделялось, — в течение 15 секунд участники должны были вызывать соответствующие ему зрительные образы.

Порядок обучения и тестирования глубокой нейросети / ©Tomoyasu Horikawa et al., Nature Communications, 2017

После этого ученые создали компьютерный алгоритм из 13 слоев, каждый из которых был редуцирован и описывал только около одной тысячи признаков.

Нейросеть включала в себя восемь сверточных слоев (CNN), три модели HMAX, одну GIST, а также слой SIFT+BoF, широко используемый в машинном зрении. Сперва система тренировалась в признаковом описании более 100 тысяч изображений из 15 322 категорий.

Причем со стимулами, которые задействовались в эксперименте с людьми, знакомили только слои HMAX и SIFT+BoF (одна тысяча фотографий из 150 категорий). Отдельно нейросеть составляла описание признаков на основании томограмм. Таким образом алгоритм освоил анализ разных визуальных данных.

Наконец, авторы проверили, способна ли нейросеть предсказать психическое содержание на основании томограмм при условии, что большинству ее «нейронам» изначально неизвестны вызвавшие его стимулы. Результаты показали, что система во многом гомологична живому мозгу.

Так, ее слои хорошо прогнозировали активность различных участков зрительной коры (в работе оценивали 12 областей, свазанных с распознаванием, включая парагиппокампальную область мест (PPA) и другие).

Важно

Кроме того, механизм предсказания соответствовал принципу функциональной иерархии: особенно хорошо прогнозы высоких и низких уровней системы совпадали с реакцией высших и глубоких слоев мозга.

По мнению ученых, полученные данные могут использоваться в моделировании живых нейронных сетей и автоматизации диагностики. Также расширение функциональности таких алгоритмов позволяет рассматривать их как потенциальную основу искусственного интеллекта.

Подробности работы представлены в журнале Nature Communications.

Ранее исследователи адаптировали метод МРТ к визуализации экспрессии генов.

Источник: https://naked-science.ru/article/hi-tech/glubokuyu-neyroset-nauchili

Ссылка на основную публикацию
Adblock
detector