Google Inceptionism може виявитися крутішим за реальність

Можливо, це не зовсім те ж саме, що зародити ідею в мрійливому розумі, але можна стверджувати, що така форма інкубації навіть крутіша. У захоплюючому стрибку вперед у сфері штучного інтелекту дослідницька лабораторія Google ефективно “натренувала” штучні нейронні мережі, показавши їм мільйони зображень, особливості яких розпізнаються шарами штучних нейронів. Кожен шар розпізнає додатковий аспект зображення, поки не буде досягнуто кінцевого результату. В цілому процес дозволяє штучній інтелектуальній системі розпізнавати зображення, але Google хотів знати, що відбувається на кожному окремому етапі. І ось тут почалося найцікавіше.

Коли дослідники Google вирішили розділити процес розпізнавання, дозволивши лише одному аспекту всього аналізу покращити певне зображення, вони створили кілька особливо крутих фотографій. Олександр Мордвінцев з Google пояснив: “Замість того, щоб точно вказувати, яку особливість ми хочемо підсилити, ми також можемо дозволити мережі прийняти це рішення. У цьому випадку ми просто завантажуємо в мережу довільне зображення або фотографію і дозволяємо мережі проаналізувати картинку. Потім ми вибираємо шар і просимо мережу посилити те, що вона виявила. Кожен шар мережі має справу з ознаками на різному рівні абстракції, тому складність ознак, які ми генеруємо, залежить від того, який шар ми обираємо для покращення. Наприклад, нижні шари, як правило, створюють штрихи або прості орнаментальні візерунки, тому що ці шари чутливі до базових характеристик, таких як краї та їхня орієнтація”.

По суті, це точне визначення одного конкретного шару розпізнавання збільшувало все, що хоч якось нагадувало зображення. Мордвінцев писав: “Ми просимо мережу: “Що б ти там не побачив, я хочу більше!”. Це створює петлю зворотного зв’язку: якщо хмара трохи схожа на птаха, мережа зробить її більш схожою на птаха. Це, в свою чергу, змусить мережу розпізнати птаха ще сильніше при наступному проходженні і так далі, поки не з’явиться дуже деталізований птах, здавалося б, з нізвідки”.

Окрім створення неймовірно захоплюючих зображень, Google вважає, що наслідки, які вони відкрили за допомогою цього нового, деконструйованого процесу, є безмежними. Дослідницька група підсумувала: “Представлені тут методи допомагають нам зрозуміти і візуалізувати, як нейронні мережі здатні виконувати складні завдання класифікації, покращувати мережеву архітектуру і перевіряти те, чому мережа навчилася під час навчання. Це також змушує нас замислитися над тим, чи можуть нейронні мережі стати інструментом для художників – новим способом реміксу візуальних концепцій – або, можливо, навіть пролити трохи світла на коріння творчого процесу в цілому”.

Source: digitaltrends.com