Intéressant

Réseaux adversaires génératifs: la technologie derrière DeepFake et FaceApp

Réseaux adversaires génératifs: la technologie derrière DeepFake et FaceApp


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Les réseaux conflictuels génératifs ou GAN ont fait l'objet de discussions de plus en plus nombreuses ces dernières années. Si vous remontez 10 ans en arrière, vous ne trouverez aucune trace d’un tel sujet. Alors, qu'est-ce qui a poussé les Réseaux Adversaires Génératifs au premier plan et pourquoi devriez-vous vous en soucier? Discutons.

Chaque fois qu'il y a une discussion sur les réseaux opposés génératifs ou les GAN, c'est toujours dans le contexte de l'IA, de l'apprentissage automatique ou de l'apprentissage en profondeur. Bien que ce sujet soit assez vaste, cet article est destiné à vous aider à le comprendre en termes simplifiés.

Commençons par le terme lui-même - Réseaux d’adversaires génératifs.

CONNEXES: CE NOUVEAU SYSTÈME D'IA PEUT VOIR CE QUE VOUS PENSEZ

Les GAN sont fondamentalement une approche de la modélisation générative utilisant des méthodes d'apprentissage en profondeur. Le mot «Génératif» dans le terme indique la propriété des GAN de créer quelque chose qui lui est propre.

Comment un programme peut-il avoir la créativité nécessaire pour créer quelque chose de lui-même? Nous lui donnons la puissance de l'apprentissage automatique où il peut apprendre des données passées.

Ainsi, si vous alimentez les GAN avec une tonne d'images, ils peuvent créer une image unique. La même chose est vraie pour tout ensemble de données.

Compte tenu de cette définition, nous nous heurtons à un problème où il n'y a pas de filtre pour vérifier la sortie du générateur pour son authenticité. Le générateur peut créer tout ce qui est lié à son ensemble de données de référence sans savoir où cela nous serait acceptable ou non.

Pour résoudre ce problème, les GAN sont fournis avec un réseau discriminant qui vérifie les données générées avec les vraies données. Il s'agit de la partie contradictoire d'un réseau conflictuel génératif. Nous opposons essentiellement le réseau génératif et le réseau discriminatoire l'un à l'autre, créant des adversaires les uns avec les autres.

Un réseau discriminant ou un discriminateur est utilisé pour garder sous contrôle les valeurs générées du générateur. Et la tâche du générateur est de tromper le discriminateur en lui faisant croire que les valeurs générées sont en réalité réelles et non générées par ordinateur.

C'est le concept de base des GAN.

Les GANs sont expliqués plus en détail dans l'article d'Ian Goodfellow et d'autres chercheurs de l'Université de Montréal intitulé à juste titre Generative Adversarial Networks.

Dans l'article, ils ont clairement mentionné que tout le but du réseau génératif est de pousser le réseau discriminant à commettre une erreur. Et le réseau discriminant ne fera une erreur que s'il ne peut pas faire la différence entre des données générées par une machine et des données d'apprentissage.

La meilleure façon de former un GAN est d'utiliser la base de données MNIST (base de données modifiée du National Institute of Standards and Technology).

La base de données se compose d'un ensemble de formation de 60 000 exemples et d'un ensemble de test de 10 000 exemples. La formation MNIST utilise des valeurs numériques manuscrites.

Ils constituent un excellent point de départ pour tous ceux qui recherchent des ressources pour former des réseaux. C'est un ensemble de données qui a été utilisé pour entraîner le modèle par Ian et son équipe.

À partir de ces données, la meilleure analogie que nous puissions utiliser pour le GAN est qu'il s'agit d'un jeu à deux joueurs où chaque joueur fait de son mieux pour se battre.

Vous vous souvenez peut-être encore de la vague de nouvelles qui est arrivée fin décembre 2018 sur des images réalistes générées par une IA. Eh bien, c'était GAN!

Si vous examinez ces images, il est facile de comprendre pourquoi cette histoire est si importante. Les images étaient indiscernables des images réelles d'un visage humain.

Les personnes à l'origine du projet étaient NVidia, le célèbre développeur de logiciels et de matériel graphique informatique. Les chercheurs à l'origine du projet ont préparé un article sur son développement et ses résultats, intitulé Une architecture de générateur basée sur le style pour les réseaux d'adversaires génératifs.

Les chercheurs de NVidia ont passé 8 semaines à former les réseaux, en utilisant huit de leur gamme de cartes graphiques Tesla.

Cela soulève certainement des questions sur la façon dont nous pouvons plus faire confiance aux données illustrées. De plus, si nous sommes capables de créer des visages humains à partir d'images de référence, il ne faudra pas longtemps avant que nous puissions créer des visages parfaits, ce qui entraînera le chômage des modèles!

Beaucoup soulèvent des inquiétudes concernant l'utilisation de données illustrées dans le système judiciaire si le logiciel peut modifier les images de manière aussi efficace. C'est certainement quelque chose à penser!

Pour en revenir à la portée du développement du GAN, rien ne donne une image plus claire de la technologie que l'expérience de NVidia. Nous sommes en mesure de créer des visages réalistes qui ne sont pas seulement crédibles, mais hautement personnalisables par ordinateur.

Des recherches sont toujours en cours pour rendre les GAN plus puissants afin de créer des données réalistes et avec moins d'exigences gourmandes en énergie.

Les GAN peuvent être utilisés dans une variété d'applications, principalement liées à l'image, mais cela va sûrement changer. Actuellement, les GAN sont utilisés dans:

Génération de nouveau contenu (imagerie): Les GAN peuvent être utilisés pour créer des images réalistes à partir d'un ensemble d'images source. L'utilisation d'un tel système sert uniquement à comprendre les capacités des GAN.

Certains affirment que cette technologie peut être utilisée pour déterminer l'apparence d'un bébé à partir des photos de ses parents.

Vieillissement ou de vieillissement: Grâce à un ensemble solide d'exemples d'images, les GAN peuvent vieillir ou réduire le vieillissement des visages humains. La popularité récente d'une application appelée FaceApp montre à quel point cette technologie est très populaire parmi les masses.

Si vous vous interrogez sur la technologie derrière FaceApp, ses GAN.

Colorisation des photos en noir et blanc: Lorsqu'un GAN est suffisamment bien formé, il peut coloriser les photos et le faire remarquablement bien. Cette technologie peut en effet donner vie à de vieilles photos et nous donner un aperçu de cette époque en couleur.

Amélioration de la résolution: Si vous avez essayé d'améliorer la résolution d'un résultat faible dans une image, le résultat est toujours un désordre flou avec des pixels éclatés. Cependant, GAN remplace chaque image supplémentaire et crée des images d'amélioration de haute qualité même lorsque leur résolution est faible.

Le monde a vu de nombreux exemples de GAN au travail, et les recherches en cours dans ce sens indiquent de nombreuses autres applications inattendues des GAN à l'avenir.

CONNEXES: LES AI CONTINUENT À AGIR DE FAÇON IMPRÉVISIBLE, DEVRAIT-ON PANIQUEZ?

La technologie est révolutionnaire et nous pouvons nous attendre à ce que les GAN apparaissent sur nos appareils de plusieurs façons. Cependant, avant que cette technologie ne mûrit, des discussions sérieuses sont nécessaires sur l'utilisation éthique de ces puissantes méthodes d'apprentissage en profondeur.


Voir la vidéo: Face-swapping app Zao amazes and alarms with deepfake capabilities (Juillet 2022).


Commentaires:

  1. Tygojinn

    Je pense, que vous commettez une erreur. Discutons-en.

  2. Row

    Je pense que c'est l'idée admirable

  3. Todal

    C'est une drôle de chose

  4. Taubei

    Je partage complètement votre opinion. Je pense, quelle est la bonne idée.

  5. Fabien

    passibki



Écrire un message