对抗性神经网络-让神经网络在“对抗”中学习思维

  • 2019-06-11
  • 1050
  • 0

人工智能技术是通过对人的大量行为和思维数据进行分析进而得出结果,这项技术现在也在多个行业发挥了作用,但是在人工智能的创造性和想象力方面,人工智能也存在局限。对抗性网络的出现,则属于这方面研究的进步。


人工智能技术是通过对人的大量行为和思维数据进行分析进而得出结果,这项技术现在也在多个行业发挥了作用,但是在人工智能的创造性和想象力方面,人工智能也存在局限。对抗性网络的出现,则属于这方面研究的进步。

对抗性神经网络的介绍

创造一个全新的东西需要想象力。这也一直困扰着AI。

解决方案首先出现于2014年在蒙特利尔大学博士生Ian Goodfellow的学术论证中。该方法被称为生成对抗性网络(generative adversarial network,GAN),它采用两个神经网络(支持大多数现代机器学习的人脑的简化数学模型),并在“猫捉老鼠”的数字游戏中让它们彼此对抗。

两个网络都使用相同的数据集进行训练。其中一个被称为生成网络,负责为它已经看到的图像创建变化,比如可能是一个带有额外手臂的行人图片;第二个被称为判别网络,被要求判断它所看到的例图是像它被训练过的图像还是生成网络产生的虚假图片,例如,让它判别那个三臂人是不是真实的?

随着时间的推移,生成网络可以很好地生成图片,判别网络无法识别该“假货”。实际上,经过训练之后,生成网络已经可以识别并创建逼真的行人图片了。

该技术在过去十年中已成为人工智能领域最具潜力的技术突破,能够帮助机器产生“欺骗”人类的结果。

对抗性神经网络是极具潜力的技术

判别网络,就是对生成网络所生成的假的图像进行辨别,判别网络会准确的判别出生成网络所生成的图像是否是真实的,并且会鉴别其与真实事物的相似程度,然后将数据反馈给生成网络,之后,生成网络再次模拟生成一副假的图像,在这个反复的过程中,生成网络所生成的图像会越来越逼真,直到判别网络无法识别为止。此时,生成网络所生成的图像,已经足以乱真了。说得通俗一点,通过对抗性神经网络,机器可以产生足以欺骗人类的成果,当然,对抗性神经网络属于新兴的人工智能技术,还需要不断发展。

然而可喜的是,即使是现在,对抗性神经网络所生成的语音以及图片已经完全可以达到以假乱真的地步,这足以证明这项技术是极具潜力的。未来机器会变得更为强大。除了对抗性神经网络,还有另外一项人工智能技术非常值得我们关注,这项人工智能技术的主旨就是让机器能够复制人脑的学习方式。对人工智能有所了解的人都知道,人工智能技术中,机器学习和深度学习是人工智能的核心,但是这些不过只是一种算法编程,其与真实人脑的学习方式是截然不同的,然而要让机器人变得足够强大,拥有自主意识就必须让机器人拥有近似于人脑的运行方式。

对抗性神经网络的应用介绍

生成式对抗网络(GAN, Generative Adversarial Networks )是一种深度学习模型,模型通过框架中(至少)两个模块:生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生相当好的输出。原始 GAN 理论中,并不要求 G 和 D 都是神经网络,只需要是能拟合相应生成和判别的函数即可。但实用中一般均使用深度神经网络作为 G 和 D 。一个优秀的GAN应用需要有良好的训练方法,否则可能由于神经网络模型的自由性而导致输出不理想。

在年龄估计中,GAN能通过攻守互搏,基于给定的人脸图像实现对其人衰老或年轻时的样貌生成。

在多视角人脸识别、跨视角步态识别领域,采用类似的机理,实现对人脸角度和步态角度的自动旋转,从而有效提高了多视角、跨视角人脸和步态识别的精度。

在自动驾驶领域,需要对智能汽车进行复杂环境下的虚拟训练。此时,就可以利用GAN来实现与实际交通场景分布一致的图像生成。具体来说,可以先给GAN输入一张随机噪声图像,通过其生成器来最小化与真实场景接近的图像,同时判别器最大化生成场景与真实场景间的差异。经过反复迭代的攻守博弈,从而获得与真实环境一致的交通场景。

如果能够让机器复制人的学习方式,机器人的研究和制造难度将会直接降低。在一些特殊领域都能够使用人工智能技术,人工智能所能发挥的作用也将增加。


科技最前沿

剖析产业发展现状

为技术转化提供精准对接

本文由金智创新整理,转载请标明出处,违者必究!

评论