Целый поток новостей о новых, удивительных и неожиданных способах применения нейросетей, обрушился на СМИ в последние дни июля-2019. Эксперты АКБ выделили самые важные тренды.
— Ученые воспользовались уже существующей сверточной нейросетью, которая может распознавать объекты на изображениях. Ее натренировали предсказывать, какие эмоции у людей вызывают различные картинки, на наборе из 2185 видеороликов, который содержал в общей сложности 137 482 кадра. 853 добровольца классифицировали этот набор, выделив в нем 27 категорий эмоций.
Результат эксперимента окрестили EmoNet, проверили, пропустив через нее 25 000 изображений разного содержания — от сцен эротики до природных пейзажей. На этих изображениях присутствовали все 27 выделенных категорий. EmoNet должна была определить эти эмоции, например, страх, веселье, любопытство или сексуальное возбуждение. Нейросеть смогла точно категоризировать только 11 эмоций из 27.
Любопытно, что нейросеть хорошо справилась с влечением или сексуальным желанием, — фото, которые провоцируют человека на эти чувства, она определила с более чем 95% точностью. При этом задача найти изображения, которые вызовут у зрителя растерянность, трепет или удивление, оказалась гораздо сложнее. Также нейросеть плохо различает между собой обожание и радость, Вероятно, у них слишком схожие визуальные особенности.
Простой черный экран EmoNet отнесла к изображениям, вызывающим беспокойство, красный экран, по ее мнению, должен был говорить о влечении. Щенки. по мнению нейросети, вызывают веселье, но если их на картинке двое, пробуждают романтические чувства.
— Французский разработчик научил алгоритм создавать планы помещений уже с расставленной в них мебелью. Разработчик Станислас Шайю (Stanislas Chaillou), выпускник Федеральной политехнической школы Лозанны и Гарвардской школы дизайна, использовал pix2pix, чтобы рисовать планы помещений. Алгоритм, созданный им в рамках работы над магистерской диссертации, представляет собой конвейер, состоящий из трех отдельных моделей pix2pix, обученных на разных данных.
Первая модель создает «след» от здания — его вертикальную проекцию. Она была обучена на данных о зданиях в Бостоне из геоинформационной системы. Датасет для обучения состоял из пар изображений, на одном из которых были контуры земельного участка, а на втором контуры здания на участке.
Вторая модель берет контур здания, полученный в результате работы первой модели, но также требует участия пользователя. Он должен нанести на план окна и вход. После этого нейросеть сама размечает на плане помещения, а также стены и проемы между ними. Кроме того, она также делит созданные ей помещения на типы, заливая их соответствующим цветом. Эту модель Шайю обучил на более чем 800 размеченных планах квартир.
Третья модель берет цветной план квартиры и наносит на него мебель, причем соответствующую типам комнат. К примеру, она не расположит в ванной комнате большой обеденный стол.
— Белорусские программисты создали приложение на базе искусственного интеллекта, которое способно распознавать элементы одежды на человеке и предоставлять пользователям информацию о том, где их можно приобрести.
При помощи этого приложения, установленного на смартфон, можно делать снимки даже с телевизора, если очень хочется узнать, во что одеты люди, находящиеся в кадре. Отмечается, что сейчас проект запущен в пилотном режиме. Впоследствии нейросеть сможет распознавать не только одежду, но и другие предметы, такие как мебель, смартфоны, автомобили и даже еду.
Ранее этим летом сообщалось, что компания «Яндекс» тестирует похожий фэшн-сервис на основе технологии дополненной реальности, который, как ожидается, получит название Sloy, и не только поможет распознавать одежду на людях, но и позволит пользователям «примерять» её виртуальные копии.
— Астрономы применили методы машинного обучения для автоматического поиска и определения параметров групп звезд в пятимерном пространстве положений и двух проекций скорости. В результате удалось выделить множество неизвестных ранее структур, в том числе несколько нитевидных групп, одна из которых соответствуют местному рукаву Ориона, а другие напоминают остатки структур, существовавших в прошлом.
Исследователи нашли примерно 1900 групп из 300 тысяч звезд, некоторые из которых были известны и ранее, но большинство оказались новыми. Для определения ключевого параметра групп — возраста — ученые применили сверточные нейросети и метод подбора изохрон, то есть гладких линий на диаграмме Герцшпрунга — Рассела, отвечающих звездам одного возраста. Комбинация стандартного метода и машинного обучения позволила достичь наилучшей точности в 77 процентов.
Нейросеть обучалась на выделенных ранее кластерах звезд с известными параметрами. Однако в этой работе описывается лишь 1196 групп, что недостаточно для полноценной обучающей выборки. Поэтому авторы добавляли к ним случайным образом от 40 до 250 других звезд, в результате получив 130 тысяч реализаций кластеров. Несмотря на то, что многие светила оказывались во многих группах, по словам автором из-за случайности и увеличения количества это позволило нейросети лучше обучиться для определения связанных с возрастом характристик.
— Китайским программистам из Megvii удалось научить ИИ процессу идентификации собак на основе отпечатков их носов. Специалисты установили, что узор собачьего носа не менее уникален, чем отпечаток пальца человека, поэтому на его базе можно создать реестр четвероногих друзей, и в дальнейшем идентифицировать каждое конкретное животное. По уверениям разработчиков, с помощью их софта собаку можно внести в систему (реестр) с помощью камеры почти любого гаджета. Чтобы регистрация прошла успешно, нос должен быть четко снят с нескольких ракурсов.
Эксперты оценивают точность программы идентификации в 95%, и сообщают, что с помощью продуктов Megvii уже более 15000 потерявшихся собак вернулись к своим счастливым владельцам.
Читайте также на АКБ:
Диагностика автомобилей и ренессансное селфи: нейросети в июле 2019
