Им распознавать изображения

Коротко о наших успехах натренировать нейросетку распознавать изображение с камеры во дворе.

Листаю сегодня свежее на 9gag. Почти в начале страницы натыкаюсь на стремный пост. Игнорирую, ну мало ли какое больное на голову существо решило его выложить. Листаю дальше, понимаю что вижу такой же через каждые 10-15 постов.

Изменённые изображения, в плохом качестве (подозреваю, чтобы автоматические алгоритмы не распознавали посты как одинаковые).

Вроде бы в политоте об этом не говорилось, так что тащу сюда.

Какая цель у такого творения?

Попробовал снова поиграться с более продвинутыми методами поиска, но, опять не пришел к положительным результатам. SIFT/SURF слишком громоздки. ORB ведет себя тоже неплохо, но полегче, и исполняет поставленные задачи, но, встает более серьезная проблема - поиск. Для снижения количества ложно-положительных результатов поиска нужно увеличивать количество точек для изображения. Увеличение количества точек - больше данных для поиска. Больше данных для поиска - меньше скорость и требуется больше мощностей. На реакторе больше 7 миллионов изображений. При < 100 точек - результат ультра гавно. 200-300 - более менее, но не на таком объеме. Это неплохо работало бы, если бы было 1-2 миллиона изображений. +- допустимые результаты, для такого объема, это 450+ точек на изображение. Итого, 3 миллиарда точек. Это порядка 200+ гигов данных, которые нужно хранить в оперативе, для более быстрого поиска. И даже при таких условиях поиск одной картинки длиться порядка 20-25 секунд, что уже далеко за приделами комфортного уровня. Можно ли решить это? Да, конечно, но это уже нужно распределять все на штуки 4+ сервера, а цена аренды такого удовольствия выходит слишком большая(150$+). Согласно опросу недавнему, она вроде бы подъемная, но, я прекрасно понимаю что обстоятельства у людей меняются. Кто-то переоценил свои финансовые возможности, а кого то просто заебет донатить на это, а бегать постоянно делать посты на это тему... Ну такое себе удовольствие.

Потому сорян, я правда старался, но уперся в ограничения не связанные с программными аспектами. Или может вы подскажите метод поиска hamming, который работает быстро на огромном объеме данных, и при этом не требует существенных апаратних ресурсов

p.s. это разве что собирать сразу на годик+ аренды, и тогда есть смысл дальше играться, но уже с несколькими серверами

ИИ научился превращать двухмерные изображения в трехмерные объекты

Практически любому человеку не составит труда, глядя на простенький рисунок, построить ассоциативный ряд и понять, что, скажем, двухмерный квадратик с треугольником сверху представляет собой дом, а кружок над ним — это солнце. Компьютеры же таким похвастаться не могут. Однако, как сообщает Sciencemag, группа исследователей создала новый алгоритм, способный распознавать двухмерные образы и переводить их в 3D.

Новый алгоритм уже прошел успешную серию испытаний и получил название SurfNet. В ходе его разработки на первом этапе эксперты «научили» нейронную сеть самостоятельно преобразовывать различные трехмерные изображения самолетов разных типов в их двухмерные аналоги, которые могут быть трансформированы обратно в трехмерную модель. Это позволило разработать базовые принципы преобразования и затем применить их к более сложным изображениям и трехмерным объектам. Такой подход успешно сработал на схематичных изображениях людей, автомобилей и других средств передвижения. Стоит заметить, что в ходе испытаний первых версий алгоритма произошел забавный казус: из некоторых рисунков самолетов алгоритм иногда «делал» птиц, а автомобили с кузовом седан трансформировались в хэтчбек.

Многие системы искусственного интеллекта, разработанные для беспилотных автомобилей, столкнулись с проблемой распознавания лиц темнокожих пешеходов. 

Это может привести к большому количеству ДТП с их участием.

Этот факт может поставить под угрозу жизнь и безопасность пешеходов с более темной кожей, став тревожным признаком того, как ИИ способен непреднамеренно воспроизводить предрассудки из мира людей.

Сотрудники Технологического института Джорджии (США) исследуют восемь моделей искусственного интеллекта, используемых в современных системах обнаружения объектов, каждая из которых обучалась по стандартному набору данных. Эти системы позволяют автономным транспортным средствам распознавать дорожные знаки, пешеходов и другие объекты. Специалисты протестировали модели с использованием изображений пешеходов, разделенных на две категории на основе их оценок по шкале Фитцпатрика — числовая шкала, обычно использующаяся для классификации цвета кожи человека, согласно которой существует шесть фототипов кожи (где I — самый светлый, VI — самый темный).

Согласно результатам, модели демонстрировали «одинаково худшие характеристики», когда сталкивались с пешеходами с тремя самыми темными оттенками кожи. В среднем точность моделей снизилась на пять процентов при рассмотрении группы, содержащей изображения пешеходов с более темным оттенком кожи, даже когда исследователи учитывали такие переменные, как, например, время суток, когда была сделана фотография, или объекты, которые заслоняли пешехода.

Cистема, позволяющая автономным транспортным средствам распознавать дорожные знаки, пешеходов и другие объекты.

Исследования, проведенные командой Georgia Tech, показывают, что при отсутствии адекватных мер, мы можем быть на пути к будущему, в котором мир с автономными автомобилями не так безопасен для людей с темным цветом кожи. Кроме того, алгоритм основывается только на тех данных, что присутствуют в имеющемся наборе изображений и фотографий, а потому не реагирует на те объекты, которых в выборке нет. К сожалению, отмечают ученые, зачастую в подобных базах встречается больше светлокожих людей, чем темнокожих. На основе своей работы специалисты смогли определить шаги, необходимые для предотвращения подобных сценариев. По словам ученых, нужно включать больше изображений темнокожих пешеходов в наборы данных, на которых тренируется искусственный интеллект, и повышать точность показателей определения этих изображений системами ИИ.

В прошлом году сотрудники MIT и Стэнфордского университета обнаружили некоторые неточности в работе нейросетей. Тогда они выяснили, что системы, обрабатывающие данные с помощью ИИ, часто допускают ошибки при распознавании тех, чей тон кожи несколько темнее: при идентификации женщин тестируемая специалистами программа допускала 20,8% ошибок при определении лиц с IV типом кожи, 34,5% — с V типом, 34,7% — с VI типом. Ошибки же при идентификации мужчин со светлой кожей не превышали 0,8%.

Ссылка на источник.

Нейросеть научили создавать 3D-модели лиц всего по одной фотографии.

Apple будет сканировать фото в iPhone пользователей.

Об этом заявил сам американский технологический гигант.

Пока это планируют только в США, где компания установит на смартфоны специальное программное обеспечение.

Система будет локально сканировать фото пользователей iPhone, перед тем как передать данные в облачного хранилища.

Если система определит, что владелец iPhone сохраняет незаконные изображения, она предупредит работников Apple.

Если же специалисты Apple убедятся в противоправности изображений, они могут передать их в правоохранительные органы.

Однако исследователи в области безопасности опасаются, что сканирование iPhone станет первым шагом к слежке за миллионами персональных устройств.

Эксперты считают, что эту технологию могут использовать авторитарные правительства для получения доступа к личным данным жителей своих стран.

OpenAI представила новую нейросеть POINT-E, которая по текстовому описанию создаёт 3D-модели

Ну что, вот и пришла пора 3D моделирования с помощью нейросетей, быть может, через пару годиков она будет выдавать такие же шедевры как нейроарты.

OpenAI, уже прославившаяся благодаря генератору DALL-E, способному генерировать изображения по текстовым описаниям, выпустила новый революционный продукт. Компания сообщила о новейшей разработке POINT-E, готовой создавать 3D-фигуры из «облака» точек — тоже с помощью текстовых описаний. В то время, как у существующих систем вроде Google DreamFusion уходит на каждую попытку по несколько часов и огромные ресурсы GPU, POINT-E нужен минимум аппаратных ресурсов и минута-две времени.

Как сообщают в OpenAI, для создания трёхмерного объекта по описанию сначала создаётся по тексту обычное изображение, после чего на его основе создаётся 3D-облако точек. Всё происходит в течение секунд и не требует дорогостоящих процедур. Например, при вводе описания «кот, поедающий буррито» (a cat eating a burrito), POINT-E сначала сгенерирует синтетический 3D-рендер кота, после чего начнёт комбинировать серию моделей для создания трёхмерного объекта, сначала — из 1024 точек, потом из 4096. При этом сам объект непосредственно по описанию не создаётся.

Созданию 3D-объектов нейросеть обучена на основе анализа «миллионов» трёхмерных изображений. Разработчики заявляют, что, хотя по качеству готовые работы уступают некоторым конкурирующим технологиям, но образцы можно создавать очень быстро, причём желающие и имеющие необходимый опыт могут оценить предложенный код модели, посетив GitHub.

И Гитхаб для попробовать самому: https://github.com/openai/point-e

EGS раздает Fallout: New Vegas - Ultimate Edition