वान गॉग द कंप्यूटर वर्ल्ड: इमेज जनरेशन प्रोग्राम

पिछले लेख में, हम आपसे मिले थे, और किसी ने हमारे भाषण को समझने के लिए मशीनों को पढ़ाया था। अब एक प्रोग्राम या रोबोट के साथ आश्चर्यचकित करना मुश्किल है जो किसी व्यक्ति के साथ बातचीत कर सकता है। लेकिन क्या होगा अगर कोई व्यक्ति रोबोट को बताता है "मुझे समुद्र के किनारे एक सूर्यास्त आकर्षित करें"? क्या रोबोट इसे समझ सकता है और आकर्षित कर सकता है? अब वह कर सकता है। ज़ियाओदोंग हे के विकास के लिए धन्यवाद (हम नाम का अनुवाद नहीं करेंगे, ताकि इसे विकृत न करें) और कृत्रिम बुद्धि के शोधकर्ताओं की उनकी टीम। हम यह पता लगाएंगे कि उनकी रचना कैसे काम करती है और क्या इस कार्यक्रम के कार्यों के साथ एक आर्ट गैलरी खोलना संभव है। चलो चलते हैं।

संक्षेप में सार के बारे में

यदि आप अतिरंजना करते हैं, तो कार्यक्रम "मैं आकर्षित करता हूं, वे मुझे क्या कहते हैं" के सिद्धांत पर काम करते हैं। आप कहते हैं, "लंबी नाक के साथ बैंगनी चायदानी", और पिक्सेल द्वारा प्रोग्राम पिक्सेल इस जानकारी को सटीक रूप से चित्रित करने की कोशिश करता है, दूसरे शब्दों में, आपके शब्दों की कल्पना करता है। ऐसा करने के लिए, उसे ज़रूरत है, सबसे पहले, यह समझने के लिए कि आप क्या कह रहे हैं, फिर सबसे महत्वपूर्ण शब्द - वैक्टर निर्धारित करें, जिसके आधार पर आप छवि के आवश्यक संस्करण के बारे में धारणा बना सकते हैं।

Xiaodong वह यह कहते हैं: "... यदि आप बिंग का उपयोग करते हैं और एक पक्षी की तलाश करते हैं, तो आपको पक्षी की एक तस्वीर मिलेगी। लेकिन हमारे मामले में, एक तस्वीर एक कंप्यूटर द्वारा बनाई गई है, पिक्सेल पिक्सेल से, खरोंच से ... ये पक्षी वास्तविक दुनिया में मौजूद नहीं हो सकते हैं - वे कंप्यूटर के पक्षियों के प्रतिनिधित्व का एक उदाहरण होंगे ... "

यह परियोजना Xiaodong He और उनके सहयोगियों के लिए पहली नहीं थी। पहले, वे कैप्शनबॉट एआई सिस्टम विकसित कर रहे थे, जिसने स्वचालित रूप से तस्वीरों के लिए विवरण तैयार किए। SeeingAI भी था, एक प्रणाली जो फोटोग्राफी के बारे में मानवीय सवालों के जवाब देती है। शोधकर्ताओं के अनुसार, उत्तरार्द्ध अंधे और नेत्रहीन लोगों के लिए बहुत उपयुक्त होगा।

"मांग पर कलाकार" परियोजना का आधार दो प्रणालियों का एक संयोजन है: जनरेटिव एडवरसैरियल नेटवर्क (जीएएन) - एक छवि जनरेटर और भेदभावकर्ता (भेदभावकर्ता) - एक मॉड्यूल जो प्राप्त छवि की गुणवत्ता का गंभीर विश्लेषण करता है।

इस प्रणाली का एक अन्य महत्वपूर्ण घटक गणितीय गणना और मानव ध्यान की अभिव्यक्ति था। जब हम किसी वस्तु को देखते हैं, तो हम उसकी बाहरी विशेषताओं के बारे में अवचेतन रूप से ध्यान देते हैं। जब वे हमें किसी वस्तु के बारे में बताते हैं तो ऐसा ही होता है। हमें नींबू के बारे में बताया जाता है, हम अंडाकार छोटे पीले फल देखते हैं। हम आड़ू का प्रतिनिधित्व नहीं करते हैं। यह हमारे मस्तिष्क में अपने आप होता है। मशीन के लिए, आपको इसके मस्तिष्क को प्रोग्राम करने की आवश्यकता है ताकि यह मानव की तरह कम से कम काम करे। लेकिन हम जानते हैं कि एक मशीन संख्याओं की सबसे अच्छी भाषा को समझती है - गणित, यही वजह है कि शोधकर्ताओं ने इस तरह की चीज़ों को गणितीय सूत्रों में ध्यान में बदल दिया है। और अब सिस्टम के प्रत्येक घटक के बारे में अधिक।

Attentional Generative Network GAN

शोधकर्ताओं के अनुसार, उनकी जीएएन प्रणाली विस्तार से ध्यान में समान लोगों से भिन्न होती है। एक साधारण GAN पूरे वाक्य को मानता है (उदाहरण के लिए, "एक लंबी नाक के साथ एक बैंगनी चायदानी") एक एकल वेक्टर के रूप में जिसका प्रतिपादन करते समय पालन किया जाना चाहिए। हमारे नायकों के विकास के मामले में, व्यक्तिगत शब्दों पर ध्यान दिया जाता है जो छवि के अलग-अलग हिस्सों के लिए दृश्य वैक्टर बन जाते हैं। सीधे शब्दों में कहें, कार्यक्रम एक बार में पूरी तस्वीर नहीं खींचता है, लेकिन इसे टुकड़ों (पहेली की तरह) में विभाजित करता है और उनमें से प्रत्येक को अलग से खींचता है।

सरल शब्दों में समझाने के लिए कि गणितीय प्रणाली कैसे काम करती है, आइए कल्पना करें कि हमारा वाक्य (छवि के लिए विवरण) एक सूत्र है, और शब्द चर हैं।


कार्यक्रम एल्गोरिथ्म का योजनाबद्ध प्रतिनिधित्व

प्रत्येक शब्द एक महत्वपूर्ण वेक्टर है, अर्थात यह निर्धारित करता है कि कार्यक्रम किस दिशा में सोचेगा। शुरू करने के लिए, सिस्टम को सबसे महत्वपूर्ण शब्दों का चयन करना होगा। सिस्टम भविष्य की छवि के शब्दों और व्यक्तिगत वर्गों से मेल खाने की कोशिश करता है। उदाहरण के लिए, एक काली चोंच वाला एक नीला पक्षी - यदि हम "काला" शब्द पर विचार करते हैं, तो यह चोंच को संदर्भित करता है - छवि का एक अलग खंड।

प्रत्येक शब्दों के वेक्टर को निर्धारित करने के बाद, प्रोग्राम एक मैट्रिक्स के रूप में सभी जानकारी एकत्र करता है, जिसे बाद में एक छवि के रूप में महसूस करना शुरू होता है।



एक उदाहरण के रूप में, शोधकर्ताओं ने एक अलग प्रकृति के 4 अनुरोधों पर विचार करने का प्रस्ताव दिया (ऊपर चित्र)।

एक पक्षी की पहली तीन छवियों पर विचार करें। जैसा कि आप देख सकते हैं, वे गुणवत्ता और विस्तार में बहुत भिन्न हैं। तथ्य यह है कि पहले फ्रेम (धुंधली और गलत) एक एकल वेक्टर के रूप में पूरे वाक्य का विश्लेषण करते समय छवि पीढ़ी का परिणाम है। दूसरे फ्रेम में, हमारा पक्षी पहले से ही बेहतर दिखाई दे रहा है, क्योंकि वाक्य को अलग-अलग शब्दों (वैक्टर) में विभाजित किया गया था, जिसने कुछ विवरणों को स्पष्ट करने की अनुमति दी थी (उदाहरण के लिए, काली आंखें - काली आंख)।

उसी छवियों को नीचे दिखाया गया है, लेकिन कुछ शब्दों के अनुरूप अलग-अलग वर्गों के आवंटन के साथ, कार्यक्रम एक ही संपूर्ण में आगे की तुलना के लिए उनमें से पीढ़ी में लगा हुआ है। सबसे हाल के शॉट्स दिखाते हैं कि भविष्य की छवि के वर्णन में कौन से शब्द कार्यक्रम को सबसे महत्वपूर्ण मानते हैं।



यह सेट छवि निर्माण के परिणामों को प्रस्तुत करता है जब एक वाक्य से दो सबसे महत्वपूर्ण शब्द-वैक्टर (काले + सफेद, लाल + पीले, नीले + लाल) चुने जाते हैं।



ऊपर की छवि में प्रस्तुत किया गया है। "झील की सतह पर तैरने वाली एक भुलक्कड़ काली बिल्ली" व्यावहारिक रूप से अविभाज्य है, हालांकि झील को बहुत अच्छी तरह से चित्रित किया गया है। सड़क के संकेतों के साथ भी यही स्थिति है। हालाँकि, दूसरी छवि व्यावहारिक रूप से सटीक थी ("झील की सतह पर तैरती एक लाल डबल डेकर बस")। केवल एक बस नहीं है, लेकिन एक नाव या नौका है।

ऐसे प्रयोगात्मक प्रश्नों के परिणाम केवल यह पुष्टि करते हैं कि सिस्टम को अभी भी बहुत कुछ सीखना है। विशेष रूप से, सिस्टम ज्ञान आधार को लगातार फिर से भरना आवश्यक है। ताकि वह जान सके कि यह या वह वस्तु कैसी दिखती है। हालांकि, उत्पन्न छवियों में सभी अशुद्धियों और दोषों के बावजूद, यह प्रणाली अद्भुत है। इसके अनुप्रयोग की सीमा काफी विस्तृत है: आंतरिक डिजाइन में सहायता से लेकर स्क्रिप्ट पढ़ने के माध्यम से पूरी तरह से एनिमेटेड फिल्मों के निर्माण तक। इसके अलावा, एक चेहरा पहचान प्रणाली के साथ संयोजन के रूप में, छवि निर्माण कार्यक्रम भी कानून प्रवर्तन एजेंसियों की सेवा कर सकता है, उदाहरण के लिए, जब एक संदिग्ध फोटोटॉट संकलित करता है।

इस लेख में उनके विवरण के माध्यम से चित्र बनाने के लिए मूल सिद्धांतों और कार्यक्रम का सार वर्णित किया गया है। कार्यक्रम एल्गोरिथ्म के गणितीय घटक के साथ अधिक कबूतर परिचित के लिए, आप शोधकर्ताओं की संबंधित रिपोर्ट डाउनलोड कर सकते हैं

- क्या पेंट करना बहुत मुश्किल है?
"यह आसान या असंभव है।"
(साल्वाडोर डाली)

हमारे साथ बने रहने के लिए धन्यवाद। क्या आप हमारे लेख पसंद करते हैं? अधिक दिलचस्प सामग्री देखना चाहते हैं? एक आदेश देकर या अपने मित्रों को इसकी अनुशंसा करके हमें समर्थन दें, एंट्री-लेवल सर्वरों के अनूठे एनालॉग पर हैबर उपयोगकर्ताओं के लिए 30% छूट जो हमने आपके लिए ईजाद की है: VPS (KVM) E5-2650 v4 (6 करोड़) 10GB DDR4 240GB SSD 1Gbps से पूरा सच $ 20 या सर्वर को कैसे विभाजित करें? (विकल्प RAID1 और RAID10 के साथ उपलब्ध हैं, 24 कोर तक और 40GB DDR4 रैम तक)।

डेल R730xd 2 बार सस्ता? केवल हमारे पास 2 x Intel Dodeca-Core Xeon E5-2650v4 128GB DDR4 6x480GB SSD 1Gbps 100 टीवी 249 डॉलर में नीदरलैंड और यूएसए से है! इन्फ्रास्ट्रक्चर Bldg का निर्माण कैसे करें के बारे में पढ़ें । एक पैसा के लिए 9,000 यूरो की लागत डेल R730xd E5-2650 v4 सर्वर का उपयोग कर वर्ग?