设为首页 - 加入收藏 站长在线 - 常用服务器软件 - 在线站长工具 - 在线伪原创工具
您的当前位置:主页 > 行业资讯 > 业界动态 > 正文

Prisma虽昙花一现 但人工智能平民化时代才刚刚开始

来源:ZzWww 编辑:ZzWww 时间:2018-03-10

  A5创业项目春季招商 好项目招代理无忧

  摘要:如果说Alpha Go还让普通人仰之弥高,那么人人皆可“调戏”的Prisma可谓是第一款人工智能平民化应用,两者的共同特征是,都在让深度神经网络从幕后走到台前。

  

Prisma虽昙花一现,但人工智能平民化时代才刚刚开始

 

  先有Alpha Go在数亿人的眼皮底下,五战四胜将人类从围棋神坛上“拉下马”,后有Prisma风靡全球,一时间人人皆开了梵高、葛饰北斋的“金手指”,深度神经网络渐渐开始从幕后走到台前,从不可见变得可见可触,从赋能于企业走向“赋能”与每一个普通人。

  如果说Alpha Go还让普通人仰之弥高,可望不可及的话,那么上至总统下至中学生,人人皆可“调戏”的Prisma可谓是第一款人工智能平民化应用。在手机的硬件军备竞赛人困马乏、了无新意的时代,利用人工智能技术,通过“云端算法”的远程助力,可以在硬件瓶颈之下大幅提高手机的“智能化”水平。

  如果说Alpha Go出尽风头是因为背靠Google在深度学习领域的深厚功底,成功非一般创业公司可复制,那么四人团队一个半月时间内开发出的Prisma则意味着:站在人工智能领域前人的成果之上,小团队也有可能touch the sky。

  将卷积神经网络应用于“图片合成”乃至“艺术品滤镜”,Prisma并不是第一个。早在去年,DeepArt团队的三名成员就通过两篇论文《Texture Synthesis Using Convolutional Neural Networks》和《A Neural Algorithm of Artistic Style》分步拆解,提出了合成名画风格的照片的具体方法。去年上线的DeepArt.io也得到了WIRED、The Washington Post等媒体的广泛报道,只不过由于是网页版收费服务、处理时间长达半个小时,所以未能如Prisma这般引爆流行。

  卷积神经网络是如何生成“星月夜滤镜”?

  即使将卷积神经网络用于“艺术品滤镜”,Prisma也不是第一个。这个领域的先驱是DeepArt团队,几篇论文记录了它们从“物体识别——纹理合成——风格提取——图片合成”一步步的研究轨迹。也像我们展示了用于识别猫的图片的卷积神经网络是如何用来让《星月夜》变成一款滤镜的。

  

Prisma虽昙花一现,但人工智能平民化时代才刚刚开始

 

  不同光照环境之下的同一张人脸

  同一张人脸在不同光线之下,轮廓、形状可能完全不同,而物体识别的难点也就是在不同的变量(比如光照条件)之下对物体存在的感知,这意味着神经网络要把图片的内容从风格中抽离出来,也意味着物体识别的神经网络中内在地存在着Prisma的运作机制:从图片中提取艺术风格特征。

  问题是如何把梵高的《星月夜》中旋流不息的笔触与梦幻一般的用色“抽象”成一种风格滤镜,然后用在所有的照片之上?这就涉及到卷积神经网络的“过滤原理”。

  就像Alpha Go的12层神经网络划被划分为负责选择落子的‘策略网络’(policy network)和则负责计算棋面优劣的‘价值网络’(value network)一样。卷积神经网络也是通过一些可供“调教”的参数,分层处理图片以便实现某些目的,例如目前应用最为广泛的物体识别,图片分类,也可以用于图片降噪或去模糊。

  

Prisma虽昙花一现,但人工智能平民化时代才刚刚开始

 

  卷积神经网络运行原理图示

  也正如其他的人工智能神经网络一样,卷积神经网络的运行方式是前向分层处理。一张图片相继通过神经网络的各个分层,最后一层产生的图片即为最终结果。每一层都有一组参数,在运行过程中被不断训练。这些可以调教的参数决定了每个“过滤层”的功能。图像每经过一个“过滤层”都会产生一组“滤后图像”,被称为feature maps(特征映射)。每一张feature map都代表了原始图像的某一特征(边缘、角度、轮廓、物体部分等)。

  通常,当一张图像经过了多层过滤之后,后面留下的特征会越来越抽象。例如,如果卷积神经网络被训练用于物体识别,更深层次的“过滤层”更能“感知”到物体的存在而非具体的像素值。与之相反,第一个过滤层更容易感知到边缘等简单特征。

  经过多年发展,用于物体识别和定位的卷积神经网络表现已经越来越好,挑战门槛也越增越高。ImageNet图像识别挑战赛2014年的获奖者是一个有19层“过滤层”和相对更小过滤器的深度卷积网络,这就是DeepArt系统的基础VGG网络。

  

Prisma虽昙花一现,但人工智能平民化时代才刚刚开始

 

  人造纹理的合成步骤

  在《Texture Synthesis Using Convolutional Neural Networks》中,DeepArt团队介绍了用于物体识别的卷积网络是如何用来完成另一项任务:合成人造纹理的,意即模仿原始图像的纹理创造一张人工合成的图像。通过可以被“打散重组”的图像都包含某一特定的图样,比如沙子、纸张、碎云、木纹、混凝土的特写图片,整体布局对于这类图片来讲并不像对于地标建筑那样是重要特征。

  合成图片的产生过程就是不断迭代“升级”这些含有“随机噪音”的图片,直至产生与原始图像相似的图片。“相似性”的标准就是色彩和局部细节被保留,而总体布局发生改变。

  我们想要的结果是去除空间信息,保留纹理。问题在于一张特征图本来就是原始图像的“过滤版”,肯定会保留空间信息。如何加以去除呢?DeepArt团队采取的方法计算一个去除了空间信息的过滤层中,不同特征图之间的相关性(只要两张特征图之间的相关系数是单一值,那么空间信息就肯定被去除了)。作者计算了一个过滤层中所有特征图的相关性,得到了一个N×N的格拉姆矩阵(Gramian matrix),其中N就是这一层中特征图的数量。

  而格拉姆矩阵从某种意义上来说就相当于这名艺术家的风格。他再现一张脸的方式与再现一棵树、一幢房的方式有某种相关性。只要捕捉到了这种相关性就捕捉到了风格。


TAG标签:Prisma虽昙花一现

相关文章:

网友评论:

文章右边250
Top