Горячее
Лучшее
Свежее
Подписки
Сообщества
Блоги
Эксперты
Войти
Забыли пароль?
или продолжите с
Создать аккаунт
Я хочу получать рассылки с лучшими постами за неделю
или
Восстановление пароля
Восстановление пароля
Получить код в Telegram
Войти с Яндекс ID Войти через VK ID
Создавая аккаунт, я соглашаюсь с правилами Пикабу и даю согласие на обработку персональных данных.
ПромокодыРаботаКурсыРекламаИгрыПополнение Steam
Пикабу Игры +1000 бесплатных онлайн игр
Модное кулинарное Шоу! Игра в ресторан, приготовление блюд, декорирование домов и преображение внешности героев.

Кулинарные истории

Казуальные, Новеллы, Симуляторы

Играть

Топ прошлой недели

  • Oskanov Oskanov 8 постов
  • alekseyJHL alekseyJHL 6 постов
  • XpyMy XpyMy 1 пост
Посмотреть весь топ

Лучшие посты недели

Рассылка Пикабу: отправляем самые рейтинговые материалы за 7 дней 🔥

Нажимая кнопку «Подписаться на рассылку», я соглашаюсь с Правилами Пикабу и даю согласие на обработку персональных данных.

Спасибо, что подписались!
Пожалуйста, проверьте почту 😊

Новости Пикабу Помощь Кодекс Пикабу Реклама О компании
Команда Пикабу Награды Контакты О проекте Зал славы
Промокоды Скидки Работа Курсы Блоги
Купоны Biggeek Купоны AliExpress Купоны М.Видео Купоны YandexTravel Купоны Lamoda
Мобильное приложение

Deep learning

С этим тегом используют

Искусственный интеллект Машинное обучение Все
17 постов сначала свежее
103
Arguzd
Arguzd
3 года назад
Наука | Научпоп

Как на основе фотографий нейросети создают видео⁠⁠

Полагаю, за последние пару лет на глаза многим попадались примеры того, как нейронные сети заставляли людей двигаться на фотографиях. Это было довольно забавно, но на таких "видео" было довольно много артефактов, да и толку от них было не особо. Но развитие на месте не стоит и нейросети научились буквально дорисовывать целые кадры на видео. К примеру как в данном случае.

Может возникнуть вопрос, к примеру, чем такая сеть отличается от той же DLSS созданной компанией NVidia и похожих сетей? Которые тоже повышают частоту кадров, делают изображение чётче и так далее. Почему бы не скормить таким нейросетям точно так же набор фотографий? Разница как раз в том, что существующие нейросети именно повышают качество изображения в реальном времени. Берут видео низкого разрешения и достраивают его до высокого. И прирост частоты происходит именно за счёт того, что видео низкого разрешения проще отобразить. Но эти сети не дорисовывают недостающие кадры.

Данная разработка была представлена учёными из Германии и её цель именно в полноценном создании промежуточных кадров. Данная сеть с нуля дорисовывает недостающие кадры, с учётом сдвига камеры и теней, с учётом изменения освещения и прочих нюансов. Она полностью "додумывает" как должны выглядеть эти кадры. На этом видео я более подробно рассказал о том, как подобная сеть работает.

Может возникнуть вопрос - а зачем вообще эта сеть нужна? Самый простой вариант - для повышения качества и плавности старых фильмов, за счёт дорисовывания недостающих кадров. Но если говорить о чуть более интересных вещах - что бы нейросеть смогла дорисовывать эти кадры, она на фотографиях прежде всего должна определить границы объектов. Трёхмерные границы. И высчитывается это всё исключительно на основание фотографий. Так что подобные нейросети на сегодняшний день разрабатывают в том числе для того, что бы строить 3д модели по фотографиям. Сейчас они ещё довольно громоздки и требуют больших вычислительных ресурсов. Но данное направление развивается очень быстро и, вполне возможно, скоро их можно будет спокойно использовать вместо лидаров. И вам будет достаточно иметь на руках простой смартфон, что бы построить 3д модель своей комнаты, к примеру. А там уже недалеко и до полноценных дешёвых систем жестового управления и дополненной реальности.

Показать полностью 1
Искусственный интеллект Технологии Наука Нейронные сети Машинное обучение Deep learning Видео
9
115
Arguzd
Arguzd
3 года назад
Наука | Научпоп

Нейронные сети учатся распознавать Deepfake⁠⁠

Пару недель назад я выложил пост про нейронные сети, которые способны удалять с видео любые движущиеся объекты и всякие следы их существования. Тени от  этих объектов, поднятую пыль, иногда даже почти хорошо удалялись волны на воде. И тогда, под тем постом, прямо таки развернулась дискуссия о том, как в принципе можно было бы бороться с подделкой видео. Не только с удалением объектов, но и с теми же дипфейками.

И вот сегодня я бы хотел представить один из способов, который на сегодняшний день активно прорабатывается. Собственно, способ вполне логичный - если мы можем создать нейронные сети, которые способны подделывать видео настолько, что эта подделка становится неразличима человеческим глазом, то почему бы не использовать ровно эти же самые сети для того, что бы распознавать эти незаметные человеческому глазу подделки?

Этим вопросом и задались учёные из Германии и Италии. Ниже прикладываю презентацию их совместной научной работы.

А также, как и в прошлый раз, прикладываю своё собственное видео, с разбором того, а чём именно идёт речь в их презентации.

Итак, краткая выжимка того, о чём именно их работа. Конкретно эта группа учёных не ставила перед собой задачу разработать концептуально новую нейронную сеть, которая бы хорошо распознавала подделку на видео. Они провели комплексную сравнительную работу. Взяли набор видео, часть из которых была отредактированная нейронными сетями, а часть нет. И, с одной стороны, попросили группу людей угадать, какие именно видео являются подделками, а с другой стороны точно такую же задачу поставили перед распространёнными свёрточными нейронными сетями, основная задача которых как раз заключается в распознавании на видео и фотографиях тех или иных объектов. То есть, они брали не специализированные нейросети, а самые обычные. Те, которыми можно распознавать на видео котиков, к примеру.

И итог их исследования оказался следующим - нейросети уже сейчас способны настолько качественно подделывать видео, что люди их практически не распознают. Обычный человек уже сегодня не отличит качественный дипфейк от оригинального видео. С другой стороны, самые обычные свёрточные нейронные сети эти же самые дипфейки распознают вполне уверенно. Не всегда со стопроцентной точностью, но самые новые архитектуры вполне достигают точности более 80%.

По сути, самая очевидная идея в данном случае оказывается самой эффективной. Зачем придумывать сложные схемы борьбы с нейросетями, если можно просто заставить бороться с ними другие нейросети. Безусловно, данный метод не является самым надёжным. Но уже сегодня он является наиболее оправданным с позиции точности распознавания и ресурсов, которые требуются на создание такой системы. По факту, использовав созданный учёными в данной работе массив видео для обучения нейросетей, вы сможете у себя дома создать свою собственную систему распознавания дипфейков. Единственным ограничением правда будет время обучения такой сети... Если не использовать видеокарты NVidia старше 20хх серии и разработанную ими же библиотеку для машинного обучения, создание такой сети может затянуться на месяцы... Но тем не менее, такая возможность у вас всё ещё остаётся.

Ну и подводя итог, если углубиться в эту область (а я полагаю многие спецслужбы многих стран мира занимаются этим уже не первый год) и создать специализированную нейросеть, которая была бы эффективна конкретно в распознавание дипфейков, то в принципе можно и не бояться коллапса судебной системы от вала поддельных видео и фотографий. Правда всё это в конечном итоге придёт к войне щита и меча - когда с одной стороны будут создаваться всё более совершенные нейросети для подделки видео, а с другой те же самые нейросети для распознавания этих подделок. Но специалистов способных на подобное сейчас итак с руками отрывают крупнейшие мировые корпорации, поэтому вряд ли их сможет нанять какая то местечковая мафия. Если подобная война и развернётся, то начнётся она в высоких груг И опять же, поскольку это буквально практически одни и те же архитектуры нейросетей, существенного и долговременного перевеса в данной войне ни одна из сторон получить не сможет.

Показать полностью 1
Искусственный интеллект Технологии Наука Машинное обучение Нейронные сети Deep learning Deepfake Видео Длиннопост
10
427
Arguzd
Arguzd
3 года назад
Наука | Научпоп

Нейронные сети научились удалять людей с видео⁠⁠

Пару лет назад довольно активно обсуждалась тема deep fake. Технологии, позволяющей заменять лица одних людей на видео другими. Но в том время технология была сырая, даже невооружённым взглядом можно было заметить неестественность изображения. Плавающие контуры лица, искажения пропорций, неестественная мимика и многое другое. Некоторым людям доводилось сделать довольно реалистичные deep fake на небольших отрезках видео, но в какой то момент всё равно вылезала неестественность.

Нейронные сети научились удалять людей с видео Искусственный интеллект, Технологии, Наука, Машинное обучение, Нейронные сети, Deep learning, Deepfake, Видео, Длиннопост

Никаких резких скачков в этой области долгое время не было, поэтому разговоры понемногу сошли на нет. Но данное направление никто не забрасывал и различные группы исследователей и инженеров продолжали работу в этом направлении. И вот в этом году группа исследователей из Оксфорда, Института Вейцмана и Google Research представили систему ансамбля нейронных сетей, способных определять на видео не просто контуры отдельных объектов, но и последствия любых контактов этих объектов с окружающим миром. Поднятую пыль, тени, задетые объекты, даже поднятую рябь на воде. И этот ансамбль нейросетей способен не только всё это определять, но и удалять с видео. Ниже прикрепляю оригинальное видео, представленное авторами разработки.

Поскольку оригинальное видео полностью на английском и в нём описываются лишь базовые особенности работы нейросетей, я также записал видео на русском. В нём я подробнее и простым языком постарался разобрать как саму разработку, так и те принципы, по которым работают нейросети, входящие в ансамбль.

При этом стоит заметить, что данная нейросеть работает абсолютно автономно. И обрабатывать различные видео она способна в "промышленных" масштабах. Есть у неё конечно и ряд ограничений, так что не стоит бояться, что уже завтра можно будет удалить кого угодно с любого видео.

С другой стороны, от появления сетей, которые могли очень криво заменять лица людей, до появления систем, способных практически бесследно удалить любой движущийся объект с видео прошло всего пару лет. И кто знает, чему научатся сети ещё лет через 5-10.

Показать полностью 2
Искусственный интеллект Технологии Наука Машинное обучение Нейронные сети Deep learning Deepfake Видео Длиннопост
67
24
Mike317
5 лет назад
Искусственный интеллект

Этот робот вкалывает лучше людей⁠⁠

Искусственный интеллект Машинное обучение Глубокое обучение Artificial Intelligence: Ai Deep learning Видео
43
10
FelixTheFox
FelixTheFox
6 лет назад

Facial Capture в реальном времени от Disney⁠⁠

Всем привет! Работаю в области машинного обучения. Захотелось поделиться наработкой исследователей в этой области, которая очень поразила меня в свое время.


На видео представлена 3D реконструкция лица в режиме реального времени. Без опорных маркеров или специальных приборов. Т.е. 3D модель строится исключительно на базе входящей картинки. И это сделано целых 3 года назад! Страшно подумать, на каком этапе Disney находятся сейчас.

Показать полностью
Машинное обучение Face reconstruction Глубокое обучение Deep Learning Walt Disney Company 3D Видео
5
dirtyhack
dirtyhack
6 лет назад
Warhammer 40k

Я тут немного общался  с варпом⁠⁠

Небольшое предисловие, чтобы было понятно о чем речь. Вечером с моего балкона ОХРЕНЕТЬ КАКОЙ ВИД, Eходящая в даль дорога, фонари и дерево, напоминающее какую то причудливую фигуру, поднимающую огромные руки-ветки над дорогой. Каждый раз, куря чертову сигарету вечером,  я жалею что не умею и никогда не научусь(ну надо смотреть же правде в глаза я рукожоп) рисовать, чтобы изобразить этот мотив в жанре пост апокалипсиса или во что то готичное.


Так бы я и грустил, но тут чет подумал - та-дам, сейчас же 21-й век на дворе, что не смогу я - сможет нейросеть, несмотря на то что я не специалист в ML,  насколько я могу судить (я беukо интересуюсь развитием этой отрасли computer sciense) - задача вполне выполнима.



В общем поставил цель, через три месяца сделать адаптацию этой картины в жанре вселенной вахи (не могу сфоткать, ибо тапок все испортит, но этот пейзаж рожден для гримдарка.


Ужастно хочется этот сам-себе-челлендж выполнить,  а не просрать как сотни обещаний себе (начиная от бросать курить с нового года или с понедельника)



Почему клубничка, спросите вы? Просто придется изрядно поебаться - то что я программис, упрощает дело но лишь оооочень слегка - в первую очередь мне нужно изучить немного теории.



P.S Беглое изучение вопроса показало что стоит сразу обратить внимание на какие то приближенные к пратктике материалы по Deep Learning.

Показать полностью
[моё] Deep learning Мотивация Текст
4
DELETED
6 лет назад

Рекуррентая нейросеть, анализ текста⁠⁠

За долгую паузу извинения приношу.

Полный зал народу. Все переговариваются, обсуждают прошедший день. И вот голоса смолкают, начинают раздвигаться кулисы.

Конферансье объявляет.
- Дамы и господа, сегодняшним героем будет рекуррентная нейросеть!
Расскажите о вашей работе.

- Привет, разнополые. Думаю, следует начать с постановки задачи. И хоть мы, рНН, умеем решать огромное множество задач, обычно мы решаем задачи произвольной длины данных. Что это значит? Ну посудите сами:
В существенной доли задач количество данных фиксировано: например, при предсказании цены дома мы используем количество ванных комнат, спален, кухонь и так далее. А вот есть данные, например тексты, музыка - длина которых может колебаться от совсем малой до очень большой. Но обычный полносвязный слой может принять ровно столько данных, на сколько он был задан. Поэтому мы обрабатываем данные последовательно, по токену. Рассказываю.

Пусть нам дан текст. Каждое его слово - это данные. Я беру первое слово, обрабатываю его полносвязным слоем (у нас ведь фиксированное кол-во данных - номер слова) и полученный результат (тензор, математику объясню ниже) отправляю... Своему клону! Он берет мой результат, второе слово - делает то же самое. Третий - результат второго и третье слово и так далее. Таким образом мы учитываем все слова и даже их порядок. Картиночка сетки:

Рекуррентая нейросеть, анализ текста Нейронные сети, Машинное обучение, Deep learning, Длиннопост

Как видим, у меня два входа: слева результат работы предыдущего (первому "клону" обычно дают нули) и снизу номер слова. Квадратик посередине - обычно это как раз приведение и обработка входных данных.


Вывод: при обработке текстов/звуков и т. д. я копирую сама себя и учитывая порядок слов возвращаю результат обработки (тоже тензор).


Чуть-чуть математики. (Сразу листай вниз, тут уже будет посложнее понять)


Вообще, DS - это наука, полностью основанная на математике (теории алгоритмов здесь вообще не место, холиварщики, поднимайтесь). Так что все же нужно чуток понять.

Что такое скаляр? Число. Вектор? Набор скаляров. Матрица? Вектор из векторов одной длины. Тензор? Вектор матриц.

Рекуррентая нейросеть, анализ текста Нейронные сети, Машинное обучение, Deep learning, Длиннопост

Это вспомнили. Теперь что такое "результат" в нашем частном случае? Это вектор. "Номер" слова - это тоже вектор, в котором закодировано слово (вовсе не по буквам! Самый простой пример - one-hot encoding - это когда мы создаем вектор, заполненный нулями, чья длина равна количеству слов. А конкретное слово - это этот же вектор, но с единичкой в скаляре, чей номер совпадает с номером слова). То есть у нас на входе нейросети есть вектор длиной пусть RESULT, и вектор длиной, равной кол-ву слов пусть WORDS. Теперь мы их "склеиваем" (конкатенируем) и получаем вектор V длиной WORDS+RESULT. Пропустить через полносвязный слой - это умножить на матрицу весов W, причем у которой кол-во строк - кол-во входных нейронов, столбцов - выходных (мог перепутать, это не критично). Выходных - будет столько же, сколько у результата, то есть RESULT => размер матрицы весов будет WORDS+RESULT x RESULT. Умножаем V * W = H, где H - вектор длиной RESULT, который... подается на вход следующей ячейке нейросети.


Вот прям щас сделаю пост о том, как я пытался сделать Джарвиса из Iron man :).

P. S. А потом о генерации текста.

Показать полностью 2
[моё] Нейронные сети Машинное обучение Deep learning Длиннопост
3
DELETED
7 лет назад

Искусственный интеллект  превзошел человека в точности при анализе УЗИ сердца.⁠⁠

Искусственный интеллект  превзошел человека в точности при анализе УЗИ сердца. Искусственный интеллект, Deep learning, УЗИ

Исследователи из университета Сан- Францисско доказали, что одна из ветвей исскуственного интеллекта, известная как продвинутое машинное обучение, может классифицировать необходимые УЗИ снимки быстрее, и с большей точностью, чем сертифицированные специалисты.


В исследовании, опубликованном онлайн 21 Марта 2018 в журнале npj Dijital Medecinе, анализировалось 180 000 реальных эхокардиограмм. После чего была обученная модель. Дававшая точность определении заболеваний в 91,7-97,8% против 70,2-83,5% человека- эксперта.

Эта модель может помочь врачам увеличить их эффективность и точность в выставлении диагноза.


Снимки это важная часть медицинской диагностики, но интерпретирование снимков, таких как эхокардиограмма, сопряжено с рядом трудностей. Временно затратные диагностические процедуры требуют интенсивной подготовки специалиста. Процесс измерения эхо требует около десятка снимков под разными углами. И некоторые из них могут содержать мало заметные детали, но существенно влияющие на точность интерпретацию снимка.

Способность замечать едва уловимые детали ограничивает человеческую интерпретацию, тем самым снижая возможность использовать эхо в высокоточной медицине.


Глубокое обучение(Deep learning)- мощный инструмент, представляющий многоуровневую модель продвинутого машинного обучения. Уже применяемую для диагностики в радиологии, патологий, дерматологии и других областях медицины. Тем не менее, этот метод еще не так широко используется при анализе кардиограмм, из- за сложности многоуровневых изображений.


В npj Digital Medicine , Анаот и его коллеги использовали 223,787 изображений 267 UCSF , пациенты были в возрасте от 20 до 96 лет, проходившие обследования с 2000-2017. Случайно отобранные достоверные эхокардиограммы полученные от различных кардиографов, и покрывающих множество вариаций заболеваний, технической оснащенности, так же разнообразие пациентов, включающий изменение в весе и гендерных отличиях.

Исследователи построили многоуровневую нейросеть, обученную с подкреплением. Они случайно выбрали 80% изображений 180 294 для обучения, и зарезервировали 20%(43,493) выборки для контроля качества.


Для сравнения сертифицированным кардиографам были предложены 1500 изображений для классификации, 100 из которых взяты из набора обучения модели.

Дальнейший анализ показал, что обученная модель способна предсказывать с  97,8 % точности за 12 просмотров видео. В отличии от точности специалистов, составившей до 83,5%  . Метод позволил находить статически значимые для диагностики закономерности на фото и видео. Исследователи продолжают работу по дальнейшему улучшению модели.

Оригинал статьи

https://www.ucsf.edu/news/2018/03/410071/ai-quicker-more-eff...

Показать полностью
Искусственный интеллект Deep learning УЗИ
13
Посты не найдены
О Нас
О Пикабу
Контакты
Реклама
Сообщить об ошибке
Сообщить о нарушении законодательства
Отзывы и предложения
Новости Пикабу
RSS
Информация
Помощь
Кодекс Пикабу
Награды
Команда Пикабу
Бан-лист
Конфиденциальность
Правила соцсети
О рекомендациях
Наши проекты
Блоги
Работа
Промокоды
Игры
Скидки
Курсы
Зал славы
Mobile
Мобильное приложение
Партнёры
Промокоды Biggeek
Промокоды Маркет Деливери
Промокоды Яндекс Путешествия
Промокоды М.Видео
Промокоды в Ленте Онлайн
Промокоды Тефаль
Промокоды Сбермаркет
Промокоды Спортмастер
Постила
Футбол сегодня
На информационном ресурсе Pikabu.ru применяются рекомендательные технологии