pix2pix
Foto: pix2pix printscreen
pix2pix

Foto: pix2pix printscreen

pix2pix, Foto: Foto: pix2pix printscreen

Možda se sećate da smo pre samo par meseci ovo radili sa slikama mačaka. Nacrtaš nešto, algoritam proceni koliko to liči na mačku, onda dopuni boje i teksture u skladu sa modelima mašinskog učenja uspostavljenim kroz analizu hiljada i hiljada mačjih slika. To je bila prethodna verzija pix2pix projekta. Sad smo uznapredovali do ljudskih lica, a stvari postaju sablasne.

Projekat pix2pix dokazuje nešto suštinski značajno po pitanju mašinskog učenja 2017. godine: današnji algoritmi očajno loše generišu nove slike, ili bar smislene nove slike. Mnogo bolje klasifikuju postojeće slike, ali čak i tu stvari očajno van šačice stvarno dobro sagrađenih modela za prepoznavanje objekta. A da bi se do takvog modela došlo, potrebni su milioni slika za obuku i mnogo vremena da bi se ta obuka sprovela.

Pix2pix se bazira na generativnim adversarijalnim mrežama (GAN). One obučavaju generativne modele da minimizuju određenu „funkciju gubitka", a nju definiše prediktivni model koji procenjuje da li je generisana slika uverljiva ili ne. Praktično, jedan algoritam uči da crta tako što nasumično pravi žvrljotine dok mu je nad glavom drugi algoritam koji viče „Ovo ne liči ni na šta!" ili „Ovo liči na nešto!"

Sa dovoljno velikom bazom podataka, GAN bi mogao da stvara od nule. Kad su podaci manje dostupni, radimo ovo: slika-u-sliku prevod. Umesto da model uči kako da crta slike sam od sebe, on mapira apstraktne prikaze po žvrljotinama sa papira. Uči da prepozna crte lica na prostoj skici i upari ih sa crtama lica koje postoje unutar modela, a rezultati su ovakvi.

 

Možda deluje grubo ili trivijalno, ali GAN bi sa vremenom mogli da steknu značajniju ulogu u oblasti generativnog mašinskog učenja.

Tagovi