Xin Zhiyuan bugün
Xinzhiyuan Derlemesi
Kaynak: sciencemag.org
Derleyici: Xiao Qin
Xin Zhiyuan Rehberi Bundan 20 yıl sonra nasıl görüneceksin? Beijing University of Aeronautics and Astronautics ve Michigan State University'den araştırmacılar, bir kişinin yaşlandıkça görünümünü orijinal fotoğraflara göre oluşturmak için Generative Adversarial Network (GAN) kullanan bir AI sistemi tasarladılar ve hatta saç çizgisi kademeli olarak geri çekiliyor. simülasyon. Makale CVPR 2018'de yayınlandı.
Kağıt: https://arxiv.org/pdf/1711.10352.pdf
Polis, uzun yıllardır kayıp olan bir kişiyi veya bir kaçağı ararken, bazen ipucu sadece eski bir fotoğraftır. Sanatçılar veya bilgisayar programları eski fotoğraflara dayanarak bu insanların bugün neye benzediğini tahmin etmeye çalışabilir, ancak her iki yöntemin de kusurları vardır. Şimdi, bilim adamları, yaşlılıktaki insanların imajını oluşturmak için AI'yı kullanabildiler ve sonuçlar önceki yöntemlerden daha gerçekçi.
Pekin Havacılık ve Uzay Üniversitesi ve Michigan Eyalet Üniversitesi'nden araştırmacılar böyle bir sistem tasarladılar. Sistem iki parçalı bir algoritma kullanır, yani Generative Adversarial Network (GAN) . İlk bölüm girdi olarak bir yüzün fotoğrafını çeker ve aynı kişinin yaştan sonra hedef yaştaki yüzünü oluşturur. Eğitim sürecinde ikinci bölüm, oluşturulan görüntüyü o yaştaki bir kişinin gerçek görüntüsü ve orijinal görüntüsü ile karşılaştırır ve ilk bölümün oluşturulan görüntünün etkisini iyileştirebilmesi için geri bildirim sağlar.
Şekil 1: Yaşlanmanın simülasyon sonuçları (ilk sütun giriş görüntüsüdür).
Bu türdeki diğer sistemler de GAN kullanır, ancak bu sistem yalnızca yaşın doğruluğuna değil, aynı zamanda belirli bir kişinin kimliğini korumaya odaklanması açısından farklıdır. Diğer sistemlerden farklı olarak, yukarıdaki şekilde gösterildiği gibi alnın ve saç çizgisinin kademeli olarak yükselmesini de sağlayabilir.
Şekil 2: Önerilen yaş büyüme yönteminin çerçevesi.
Bu çerçevede, CNN tabanlı bir üretici G, yaş dönüşümünü öğrenir. Eğitimdeki eleştirmen, görüntü alanına Öklid kaybının karesini ekler.GAN kaybı, oluşturulan yüzün, eğitimde karşılık gelen yaştaki yaşlıların yüzünden ayırt edilemez olmasını teşvik eder ve kimlik koruma kaybı, üst düzey özellik temsilinin girdi ve çıktı mesafesini en aza indirir.
Bu araştırmanın başlıca katkıları şu şekildedir:
CACD veri tabanında 24 farklı denek tarafından elde edilen yaşlanma etkileri. Her parçanın ilk görüntüsü orijinal yüz görüntüsüdür ve sonraki 3 görüntü 50+ yaş grubundaki deneğin yaşlanan görüntüleridir.
Şekil: MORPH veritabanındaki 24 farklı denek tarafından elde edilen yaşlanma etkisi.
İki veri tabanındaki araştırmacılar 100.000 görüntü AI'larını internette eğittiler. Bu veritabanları, farklı yaşlardaki polisler tarafından arşivlenen yüz fotoğrafları ve ünlü fotoğrafları içeriyor. Ardından araştırmacı, yapay zekanın yeni bir dizi görüntü üzerindeki performansını değerlendirmek için bağımsız bir bilgisayar programı kullandı. Örneğin, AI insanların fotoğraflarını 20 yıldan fazla yaşlandırdığında, 30 yaşın altındaki kişilerin 50 ila 60 yaşında görünmesi gerekir ve bilgisayar programları bunları (ortalama olarak) 60 yaşında (yüz fotoğrafları) veya 52 yaşında (ünlü fotoğrafları).
Şekil: Önceki çalışmayla karşılaştırma
Daha ileri bir istatistiksel araştırmada, araştırmacılar, yayınlanmış makalelerden 54 kişinin 138 çift fotoğrafını topladı ve hangi yüzün yaşla daha iyi olduğunu değerlendirmesi için 10 insan gözlemciyi davet etti. 1.380 oydan% 69.78'i işimize oy verdi,% 20.80'i önceki işe oy verdi ve% 9.42 ikisinin eşit olduğunu söyledi. Ek olarak, bu yöntem önceki çalışmada olduğu gibi zahmetli bir ön işlem gerektirmez ve gözbebeği hizalaması için yalnızca iki işaret noktası gerektirir. Sonuç olarak, araştırmacılar önerdikleri yöntemin önceki yöntemlerden daha üstün olduğunu iddia ediyorlar.
İlgili makaleler bu ay CVPR 2018 konferansında yayınlandı.