Nvidia создала Swapper для домашних животных, которые учатся на нескольких примерах
Большинству ИИ, которые манипулируют или трансформируют изображения, требуется большой объем обучающих данных, чтобы служить основой для его способностей. NVIDIA нашла способ обучить модель только одним входным изображением любого домашнего животного и несколькими примерами другого животного.
В недавней статье Nvidia объясняет возможности и цель создания этого нового подхода:
Несмотря на удивительный успех, современные методы требуют доступа ко многим изображениям в исходных и целевых классах во время обучения. Мы утверждаем, что это сильно ограничивает их использование. Черпая вдохновение из человеческой способности улавливать сущность нового объекта из небольшого числа примеров и обобщать оттуда, мы ищем неконтролируемый алгоритм преобразования изображения в изображение, который работает с ранее невидимыми целевыми классами, которые указано во время тестирования только несколькими примерами изображений. Наша модель достигает этой возможности генерации нескольких выстрелов, сочетая состязательную схему обучения с новым дизайном сети.
Nvidia называет учебную структуру своей сети «переводом малоизвестных изображений без присмотра» (FUNIT), потому что она учится только на нескольких примерах класса изображений (например, бигли, белые медведи) без непосредственного руководства человека. Значительно уменьшенный необходимый размер для обучающих наборов данных даст этому методу огромное преимущество перед текущими, поскольку он улучшается в будущем. На данный момент, это требует беспрепятственного домашнего животного, чтобы дать желаемые результаты. Хотя он технически работает с человеческими лицами, результаты часто попадают в категорию «жутких».
Хотя метод Nvidia в настоящее время служит только очень конкретной цели, а его ограничения приводят к заметным недостаткам, их работа показывает обещание гораздо более впечатляющих результатов через несколько итераций. Благодаря общедоступному коду, доступному каждому, на которого можно опираться (и общедоступной демонстрации для всех остальных), у качества FUNIT больше шансов достичь полезных результатов гораздо раньше.
Если смотреть в более широкую картину, FUNIT прекрасно вписывается в категорию проблем, с которыми Nvidia столкнулась с искусственным интеллектом. Наряду с превращением объективно ужасных набросков в законченные ландшафты и созданием полной трехмерной городской среды для разработки игр, кажется, что Nvidia надеется создать набор инструментов, который значительно сократит время и затраты, необходимые для создания видеоигр. Когда активы персонажей для титулов AAA могут стоить около 80 000 долларов, игровые студии могут значительно сократить расходы с помощью искусственного интеллекта.
Конечно, FUNIT понадобится более чем разумная способность для подмены собак, прежде чем он сможет помочь создать инструментарий ИИ, способный генерировать подробные и динамичные игровые ресурсы наравне с человеческим талантом.
Изображение предоставлено: Adam Dachis (перевод результатов Nvidia)
Читать далее
Первая космическая станция Китая вернет атмосферу примерно за неделю
После того, как Китай потерял контроль над стареющей космической платформой, ученые во всем мире приступили к работе, прослеживая свое положение, чтобы выяснить, когда и где он войдет в атмосферу. Сегодня мы немного сузились.
Астрономы Пример «ДНК» 340 000 звезд
С помощью этих недавно выпущенных данных астрономы могут найти родных братьев нашего солнца и узнать об эволюции галактики.
Galaxy Note 9 будет иметь Bluetooth S Pen, и это примерно время
Серия «Ноты» использовала ту же основную технологию стилуса все эти годы, но это может измениться с помощью Galaxy Note 9.
OpenAI Robotic Hand изучает, как работать без человеческих примеров
Компания под названием OpenAI заявила, что разработала руку робота, которая захватывает объекты по-человечески, и людям не нужно было их научить - она сама изучила все.