Interessante

Generative Adversarial Networks: The Tech Behind DeepFake e FaceApp

Generative Adversarial Networks: The Tech Behind DeepFake e FaceApp


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Redes Adversariais Generativas ou GANs têm sido discutidas cada vez mais nos últimos anos. Se você voltar 10 anos, não encontrará nenhum traço de tal assunto. Então, o que fez as Redes Adversariais Generativas virem para a frente e por que você deveria se importar? Vamos discutir.

Sempre que há uma discussão sobre Redes Adversariais Gerativas ou GANs, é sempre no contexto de IA, aprendizado de máquina ou aprendizado profundo. Embora este tópico seja bastante vasto, este artigo pretende ajudá-lo a compreendê-lo em termos simplificados.

Vamos começar com o próprio termo - Redes Adversariais Gerativas.

RELACIONADO: ESTE NOVO SISTEMA DE AI PODE VER O QUE VOCÊ ESTÁ PENSANDO

GANs são fundamentalmente uma abordagem para modelagem generativa usando métodos de aprendizado profundo. A palavra “Generativo” no termo aponta para a propriedade dos GANs de criar algo próprio.

Como um programa pode ter a criatividade para fazer algo próprio? Damos a ele o poder do aprendizado de máquina, onde ele pode aprender com dados anteriores.

Portanto, se você alimentasse os GANs com uma tonelada de imagens, ele poderia criar uma imagem única própria. O mesmo se aplica a qualquer conjunto de dados.

Dada esta definição, encontramos um problema em que não há filtro para verificar a autenticidade da saída do Gerador. O gerador pode criar qualquer coisa relacionada ao seu conjunto de dados de referência sem saber onde seria aceitável para nós ou não.

Para resolver esse problema, os GANs vêm com uma rede discriminativa que verifica os dados gerados com os dados verdadeiros. Esta é a parte Adversarial de uma Rede Adversarial Generativa. Estamos essencialmente colocando a rede geradora e a rede discriminativa uma contra a outra, criando adversários entre si.

Rede discriminativa ou um Discriminador é usado para manter os valores gerados do Gerador sob controle. E a tarefa do gerador é enganar o discriminador fazendo-o pensar que os valores gerados são realmente reais e não gerados por computador.

Este é o conceito básico dos GANs.

As GANs são explicadas com mais detalhes no artigo de Ian Goodfellow e outros pesquisadores da Universidade de Montreal, apropriadamente intitulado Generative Adversarial Networks.

No artigo, eles mencionaram claramente que todo o propósito da rede generativa é levar a rede discriminativa a cometer um erro. E a rede discriminativa só cometerá um erro quando não puder diferenciar entre dados gerados por máquina e dados de treinamento.

A melhor maneira de treinar um GAN é usando o banco de dados MNIST (banco de dados do Instituto Nacional de Padrões e Tecnologia Modificado).

O banco de dados consiste em um conjunto de treinamento de 60.000 exemplos e um conjunto de teste de 10.000 exemplos. O treinamento MNIST usa valores numéricos manuscritos.

Eles são um ótimo começo para quem procura recursos para treinar redes. É um conjunto de dados que foi usado para treinar o modelo por Ian e sua equipe.

A partir desses dados, a melhor analogia que podemos usar para GAN é que é um jogo para dois jogadores, onde cada jogador está tentando o seu melhor para derrotar um ao outro.

Você ainda deve se lembrar da onda de notícias que veio no final de dezembro de 2018 sobre imagens de aparência realista geradas por uma IA. Bem, isso foi GAN!

Se você analisar essas fotos, é fácil ver por que essa história é tão importante. As imagens eram indistinguíveis das fotos da vida real de um rosto humano.

As pessoas por trás do projeto eram a NVidia, a popular desenvolvedora de hardware e software de computação gráfica. Os pesquisadores por trás do projeto prepararam um artigo sobre seu desenvolvimento e seus resultados, intitulado Uma Arquitetura Geradora Baseada em Estilo para Redes Adversariais Generativas.

Os pesquisadores da NVidia passaram 8 semanas treinando as redes, usando oito de suas placas de vídeo Tesla.

Isso certamente levanta algumas questões sobre como podemos continuar a confiar nos dados pictóricos. Além disso, se formos capazes de criar rostos humanos a partir de imagens de referência, não demorará muito para que possamos criar rostos perfeitos, fazendo com que os modelos parem de funcionar!

Muitos levantam preocupações com relação ao uso de dados pictóricos no sistema judiciário, se o software puder alterar as imagens de maneira tão eficaz. Isso certamente é algo para se pensar!

Voltando ao assunto de quão longe está o desenvolvimento do GAN, nada representa uma imagem mais clara da tecnologia do que o experimento da NVidia. Somos capazes de criar rostos de aparência realista que não são apenas críveis, mas altamente personalizáveis ​​pelo computador.

A pesquisa ainda está em andamento para tornar os GANs mais poderosos para criar dados realistas e com menos requisitos de consumo de energia.

Os GANs podem ser usados ​​em uma variedade de aplicativos, principalmente relacionados a imagens, mas isso certamente vai mudar. Atualmente, os GANs são usados ​​em:

Gerando novo conteúdo (imagens): Os GANs podem ser usados ​​para criar imagens realistas a partir de um conjunto de imagens de origem. O uso de tal sistema é puramente para a compreensão das capacidades das GANs.

Alguns argumentam que essa tecnologia pode ser usada para determinar a aparência de um bebê a partir das fotos de seus pais.

Envelhecimento ou envelhecimento: Com um conjunto robusto de imagens de amostra, os GANs podem envelhecer ou envelhecer rostos humanos com sucesso. A recente popularidade de um aplicativo chamado FaceApp mostra como essa tecnologia é muito popular entre as massas.

Se você está se perguntando sobre a tecnologia por trás do FaceApp, seus GANs.

Colorindo fotos em preto e branco: Quando um GAN é treinado bem o suficiente, ele pode colorir fotos e fazê-lo muito bem. Essa tecnologia pode realmente dar vida a fotos antigas e nos dar um vislumbre daquela época em cores.

Melhoria de resolução: Se você tentou aumentar a resolução de um resultado baixo em uma imagem, o resultado é sempre uma bagunça borrada com pixels estourados. No entanto, GAN substitui cada imagem adicional e cria imagens de aprimoramento de alta qualidade, mesmo quando sua resolução é baixa.

O mundo viu muitos exemplos de GANs em ação, e a pesquisa em andamento nessa direção aponta para muitas outras aplicações inesperadas de GANs no futuro.

RELACIONADOS: OS AIs CONTINUAM A AGIR DE FORMAS IMPREDÍVEIS, DEVEMOS PÂNICO?

A tecnologia é revolucionária e podemos esperar que as GANs apareçam em nossos dispositivos de mais de uma forma. No entanto, antes que essa tecnologia amadureça, são necessárias discussões sérias sobre o uso ético de tais métodos poderosos de aprendizado profundo.


Assista o vídeo: What is DEEPFAKE? How Can You Spot A Deepfake? -Deepfakes Explained (Junho 2022).


Comentários:

  1. Malvin

    ele está absolutamente certo

  2. Ahren

    acho essa frase genial

  3. Pollux

    Palavras legais

  4. Arnon

    Considero, que você está enganado. Escreva-me em PM.

  5. Muir

    Concordo, um quarto útil

  6. Evnissyen

    E o que posso dizer então?

  7. Shelden

    É a excelente ideia. Está pronto para te ajudar.



Escreve uma mensagem