तंत्रिका नेटवर्क फोटोग्राफी में भविष्य के 1 सेकंड की भविष्यवाणी करता है

वीडियो प्रसंस्करण के लिए अनुकूलित पीढ़ी के प्रतिकूल तंत्रिका नेटवर्क अगले सेकंड में क्या होगा यह दिखाने में सक्षम है।

निकट भविष्य की भविष्यवाणी करने की क्षमता किसी भी व्यक्ति के लिए एक महत्वपूर्ण कौशल है। मानव प्रतिक्रिया की गति वास्तविक समय में आसपास की घटनाओं पर प्रतिक्रिया करने के लिए पर्याप्त नहीं है, इसलिए हम उन्हें 100% के करीब संभावना के साथ एक निरंतर मोड में भविष्यवाणी करते हैं। एथलीटों को पता है कि गेंद कहां उड़ जाएगी। व्यापारियों को पता है कि जब इंटरकॉटर एक हैंडशेक के लिए पहुंचता है। हम सड़क पर कारों के प्रक्षेपवक्र और उनके हाथों में चेहरे के भाव और वस्तुओं पर लोगों की अगली क्रियाओं की भविष्यवाणी करते हैं।

आर्टिफिशियल इंटेलिजेंस के लिए भी भविष्य जानना जरूरी है। उसे यह समझना चाहिए कि स्पष्ट ओवरसाइट्स से बचने और अपने कार्यों की योजना बनाने के लिए कौन सी घटनाओं का परिणाम होगा। के शोधकर्ताओं का एक समूहमैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी के कंप्यूटर साइंस एंड आर्टिफिशियल इंटेलिजेंस लैबोरेटरी (CSAIL) तंत्रिका नेटवर्क को लाखों वीडियो में प्रशिक्षित करके भविष्य की भविष्यवाणी करना सिखाता है ।

एक एकल स्थिर फ्रेम (तस्वीरों) में एक प्रशिक्षित तंत्रिका नेटवर्क भविष्य की घटनाओं की भविष्यवाणी करने की कोशिश कर रहा है। कार्यक्रम 64 × 64 पिक्सल के एक फ्रेम आकार और 32 फ्रेम की भविष्यवाणी की अवधि, यानी भविष्य के एक सेकंड के बारे में सीमित है।

भविष्य को जानने से वर्तमान को बेहतर ढंग से समझना संभव हो जाता है। यह मूल क्षमता है जो वास्तविक दुनिया में किसी भी रोबोट के पास होनी चाहिए। कांटा और हाथों में चाकू के साथ भोजन की प्लेट के सामने एक व्यक्ति को देखकर, किसी को स्पष्ट रूप से भविष्यवाणी करनी चाहिए कि यह व्यक्ति जल्द ही खाना शुरू कर देगा। इस तरह की समझ के बिना, रोबोट किसी भी कुशलता से कार्य नहीं कर सकता है - क्या आप नहीं चाहते हैं कि जब आप कुर्सी पर बैठते हैं तो रोबोट कुर्सी को उठाकर बगल में ले जाए? नहीं, उसे समझना चाहिए कि एक सेकंड में क्या होगा और कुछ भी नहीं छूना चाहिए। या इसके विपरीत, जल्दी से कुर्सी को उस स्थान पर बिल्कुल स्थानांतरित करें जहां व्यक्ति बैठता है।

फिलहाल, यहां तक ​​कि सबसे उन्नत एआई सिस्टम में निकट भविष्य की भविष्यवाणी करने की बुनियादी क्षमता का अभाव है। इसलिए, यह अध्ययन इतना महत्वपूर्ण है। न्यूयॉर्क विश्वविद्यालय और फेसबुक पर अनुसंधान समूहों द्वारा इसी तरह का काम किया जाता है, लेकिन उनके तंत्रिका नेटवर्क भविष्य से केवल कुछ फ्रेम का उत्पादन करते हैं या इसे बहुत धुंधला दिखाते हैं।

CSAIL में विकसित किया गया कार्यक्रम काफी सटीक और स्पष्ट घटनाओं की भविष्यवाणी करता है। उदाहरण के लिए, एक प्लेटफ़ॉर्म पर एक ट्रेन की तस्वीर से, वह अपने आंदोलन की भविष्यवाणी करती है।

तस्वीरों से घटनाओं की भविष्यवाणी करने के उदाहरण। लोगों, जानवरों, प्राकृतिक घटनाओं, परिवहन के आंदोलन के नमूने

एक वैज्ञानिक अध्ययन में, डेवलपर्स इस समस्या का अध्ययन करने की मूलभूत समस्या को हल करते हैं कि फ्रेम में घटनाओं को समय पर कैसे प्रकट किया जाए। जाहिर है, औपचारिक एनोटेशन के लिए ऐसा काम बहुत मुश्किल है। इसलिए, तंत्रिका नेटवर्क को सीधे तैयार सामग्री पर प्रशिक्षित किया गया था - बिना अर्थ एनोटेशन के लाखों वीडियो पर। इस दृष्टिकोण के कुछ फायदे हैं, क्योंकि एआई ऑफ़लाइन सीख सकता है, बस यह देख सकता है कि चारों ओर क्या हो रहा है और इंटरनेट पर बड़ी मात्रा में वीडियो सामग्री को संसाधित कर रहा है।

प्रशिक्षित तंत्रिका नेटवर्क को तब एक ही स्थिर फ्रेम में छोटे वीडियो बनाने का काम सौंपा गया था। एक यथार्थवादी परिणाम प्राप्त करने के लिए, अध्ययन के लेखकों ने एक जेनेरिक प्रतिकूल नेटवर्क (GAN) का उपयोग किया। एक न्यूरल नेटवर्क वीडियो बनाता है, और दूसरा डिस्क्रिमिनेटर नेटवर्क नकली वीडियो को असली से अलग करना सीखता है और फेक को ब्लॉक करता है। जैसा कि विवेचक सीखता है, नेटवर्क जनरेटर को परीक्षण पास करने के लिए तेजी से यथार्थवादी वीडियो उत्पन्न करना पड़ता है।


जेनेरिक मॉडल दो धाराओं का उपयोग करता है जो अलग-अलग अग्रभूमि और पृष्ठभूमि को एक दूसरे से अलग करने के लिए अनुकरण करते हैं और स्पष्ट रूप से वस्तु की गति को भेदते हैं।



समय के साथ, इस तरह के कार्यक्रम विभिन्न स्थितियों में किसी व्यक्ति की अधिक प्रभावी ढंग से मदद करने में सक्षम होंगे। उदाहरण के लिए, एक रोबोट भविष्यवाणी कर सकता है कि कोई व्यक्ति कब गिरेगा - और गिरने से बचाए रखेगा। कार में डिजिटल सहायक दुर्घटना से बचने के लिए हाथों और आंखों की गति से चालक के कार्यों की भविष्यवाणी करना सीखेंगे।

उन सभी वीडियो, जिन पर तंत्रिका नेटवर्क को प्रशिक्षित किया गया था, साथ ही कार्यक्रम के स्रोत कोड को सार्वजनिक डोमेन में प्रकाशित किया गया था । GitHub पर जेनरेटरी एडवरसैरियल न्यूरल नेटवर्क कोड है । प्रशिक्षण के लिए डेटा का उपयोग करना (वीडियो सामग्री के लगभग 10.5 टेराबाइट्स), आप स्वयं प्रयोग दोहरा सकते हैं। वैकल्पिक रूप से, पहले से ही प्रशिक्षित मॉडल डाउनलोड के लिए उपलब्ध हैं (संग्रह में 1 जीबी)।

फ़्लिकर फोटो और वीडियो होस्टिंग से प्रशिक्षण वीडियो लिया गया, जहां वे एक निशुल्क लाइसेंस के तहत हैं। ये थीम वाले दृश्य हैं: समुद्र तट के कार्यक्रम, गोल्फ मैच, ट्रेन स्टेशन और अस्पतालों में बच्चे।



दो मिलियन वीडियो सिर्फ दो साल के वीडियो फुटेज हैं। वैज्ञानिक के लेखकों में से एक, कार्ल वोंड्रिक ने कहा, "वीडियो की जानकारी की तुलना में यह बहुत छोटा है, जो 10 साल के बच्चे के मस्तिष्क से गुजरा है या पृथ्वी पर जीवन के विकास की विकास प्रक्रिया के दौरान संसाधित की गई जानकारी की तुलना में बहुत कम है।" काम करते हैं।

लेकिन यह केवल शुरुआत है, एआई पहले कदम उठाती है, लेकिन आपको कहीं और शुरू करने की आवश्यकता है। भविष्य में, तंत्रिका नेटवर्क को वीडियो के लंबे टुकड़ों पर प्रशिक्षित किया जाएगा। लेखकों को उम्मीद है कि भौतिकी के नियमों और वस्तुओं के गुणों की सीमाओं को देखते हुए, AI धीरे-धीरे भविष्य के लिए संभावित विकल्पों की पसंद को सीमित करना शुरू कर देगा। प्रयोगों से पता चलता है कि तंत्रिका नेटवर्क उन्हें अवशोषित करने में सक्षम है। धीरे-धीरे, कार्यक्रम अधिक दूर के भविष्य की भविष्यवाणी करना सीख जाएगा, और सिर्फ 1 सेकंड नहीं। संभावना है कि अतिरिक्त मॉड्यूल इससे जुड़े होंगे, जैसे व्यक्तित्व पहचान, होंठ पढ़ना, किसी व्यक्ति के चेहरे पर अपराध की भविष्यवाणी आदि।

वैज्ञानिक लेख प्रकाशितमैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी की साइट पर। यह अध्ययन यूएस नेशनल साइंस फाउंडेशन की फंडिंग के लिए जारी है और रिसर्च टीम के तीन में से दो सदस्यों के लिए Google से अनुदान लेता है। रिपोर्ट न्यूरोइन्फोर्मेशन प्रोसेसिंग सिस्टम (एनआईपीएस 2016) पर 29 वें सम्मेलन के लिए तैयार की गई थी , जो बार्सिलोना में 5 से 10 दिसंबर तक आयोजित की जाएगी।

Source: https://habr.com/ru/post/hi399667/