万圣节噩梦 | MIT开发“噩梦机器” 用深度学习吓你一跳

大数据文摘作品 转载具体要求见文末

选文|Aileen 作者|毛丽 魏子敏

万圣节,不仅有好事者绞尽脑汁在思考怎么吓你一跳,连机器也开始学习如何吓你了。

自古以来,不同地域、宗教和文化的人们都绞尽脑汁创造吓人的方式。恐怖不是件简单的事情,它需要引发人们心中的某种情绪才能成功,并成为了人类创造力的重要体现。人工智能发展到今天,机器能够学习如何吓人吗?

为了回答这一问题,麻省理工学院(MIT)Media Lab的三位研究员编写了一款很有万圣节氛围的系统:Nightmare Machine(噩梦机器)-计算机利用人工智能深度学习算法和邪恶的灵魂生成恐怖的“闹鬼”(haunted)风格图片。(Nightmare Machine网站链接:http://nightmare.mit.edu/)

“我们使用算法生成人脸,然后把“恐怖”这个语义添加到人脸上”。

当然,MIT推出这款应用除了配合节日氛围吓你一跳,还希望使用者对他们的恐怖图片投票,评出最可怕的那些。这些评分将作为模型训练数据,为机器未来的学习服务。

当然,网站也给出的生成这些图片的实现算法:UnsupervisedRepresentation Learning with Deep Convolutional Generative Adversarial Networks和ANeural Algorithm of Artistic Style。

本文会对生成恐怖人脸的深度卷积生成对抗网络(DeepConvolutional Generative Adversarial Nerworks, DCGAN)简单介绍,感兴趣的读者可以在后台回复“万圣节”获取这两篇介绍论文,做进一步了解。

也许未来的某一天,不仅恐怖,机器会真正懂得你的各种小情绪。

◆ ◆ ◆

先认识一下三位研究员

整个网站的风格都是如此,颇让人毛骨悚然,机器生成的恐怖图片分为两类:鬼脸(Haunted faces),和鬼屋(hauntedhouses)。

网站的头图是这个风格的,里边的警告也适用于本文接下来的文章内容:

以下内容包含恐怖成分,图片高能,胆小者误入。

◆ ◆ ◆

一、鬼脸(Haunted faces)

“我们使用算法生成人脸,然后把“恐怖”这个语义添加到人脸上”

恐怖人脸的图片是用深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Nerworks, DCGAN)生成。对抗网络是由Ian J. Goodfellow 在论文《GenerativeAdversative Nets》中提出来,一个对抗对(adversarial pair)由一个判别模型(Discriminative, D)和一个生成模型(Generative ,G)组成。

一般的生成模型的训练很容易失败,比如生成了一堆没有意义的图片。这个恐怖网站使用的算法对GAN的结构进行了限制,使它的表现更加的稳定。首先是GAN的池化层(pooling layer)被带步长的卷积(stridedconvolution)所替代(对于判别器),或者被分数步长卷积(fractionalstrided convolution)所替代(对于生成器)。这样它的下(上)采样可以通过学习来获取自己独特的方案。其次是删除全连接层,这样可以使用更深的网络结构。最后,对于生成器和判别器,都使用批量标准化(Batch Normalization)。

对于生成器的表示,可以进行一些人工的干预。

首先是去掉一些特定的物体,比如去掉卧室里的窗户。在倒数第二层卷积层,使用逻辑回归来判定一个激活的特征是否是窗户。判定的标准是,对于边界框里的样本,它激活为正值。而同样的图片中,随机样本激活为负值。使用这个简单的模型,我们在空间中删掉所有权重大于0的特征。然后我们可以生成删除前后的图片对比。

第一行是没处理的模型生成的样本,第二行是删除“窗户”后的模型生成的样本。可以看到,一些窗户被移除了,另一些被相似的物品,比如镜子和门替代。

对于人脸样本,还可以进行向量的运算。在自然语言处理中有个著名的例子:向量“国王”-向量“男人”+向量“女人”可以得到向量“女王”。我们对生成模型的输入Z也发现了相似的规律。

图像的向量运算。对于每一列,使用Z向量的均值。对均值进行运算,得到新的向量Y。再把Y作为生成器的输入。为了证明生成器是可以插值的,对Y添加了+-0.25的噪声来生成另外的8幅图。

◆ ◆ ◆

二、鬼屋(haunted houses)

三位研究员利用state-of-the-art深度学习算法让机器学习“鬼屋”或者“恐怖都市”应该长什么样。进而,将这种风格应用在世界上重要的地标物上。

在网站上po出了8种风格的“恐怖景观”,接下来,让我们来看看被AI恐怖占领的世界。

具体研究方法A Neural Algorithm of Artistic Style监狱文章长度这里不再详细介绍,感兴趣的读者请后台回复“万圣节”获得相关论文。

闹鬼屋风格(STYLE: HAUNTEDHOUSE)

恐怖夜风格(STYLE: FRIGHTNIGHT)

屠宰场风格(STYLE: SLAUGHTERHOUSE)

剧毒之城风格(STYLE: TOXIC CITY)

幽灵城风格(STYLE: GHOST TOWN)

地狱风格(STYLE: INFERNO)

触手怪物风格(STYLE: TENTACLEMONSTER)

外星人入侵风格(STYLE: ALIENINVASION)

你更喜欢哪种恐怖风,也来投个票吧!

原文发布于微信公众号 - 大数据文摘(BigDataDigest)

原文发表时间:2016-10-31

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏IT派

读懂概率图模型:你需要从基本概念和参数估计开始

概率图模型是人工智能领域内一大主要研究方向。近日,Statsbot 团队邀请数据科学家 Prasoon Goyal 在其博客上分两部分发表了一篇有关概率图模型的...

42640
来自专栏崔庆才的专栏

干货 | 给妹纸的深度学习教学——从这里出发

或许你第一个想弄明白的问题是人工智能(AI),机器学习(ML),深度学习(DL)三者的区别和联系,下图清晰明了地告诉你。 ? 1. 什么是机器学习 从小学开始...

488110
来自专栏机器之心

专访 | 监管机器翻译质量?且看阿里如何搭建翻译质量评估模型

阿里机器翻译团队在本次比赛中,参加了英语到德语和德语到英语两个语向的句子级别和词级别的七项质量评估任务,收获了六项世界冠军。其中,德语到英语的统计机器翻译评估任...

8810
来自专栏Vamei实验室

概率论04 随机变量

作者:Vamei 出处:http://www.cnblogs.com/vamei 欢迎转载,也请保留这段声明。谢谢!

17240
来自专栏AI研习社

神经网络有什么理论支持?

三秒钟理解本文主旨: 问:神经网络有什么理论支持? 答:目前为止(2017 年)没有什么特别靠谱的。 下面是正文。 [本文主要介绍与神经网络相关的理论工作。 个...

49660
来自专栏量子位

一个神经网络学习一切!谷歌又放了个大卫星(附论文)

李林 问耕 编译自 Arxiv 量子位 出品 | 公众号 QbitAI 最近,Google又在论文题目上口出狂言:One Model To Learn The...

410110
来自专栏SIGAI学习与实践平台

学好机器学习需要哪些数学知识?

“ 随机过程,实分析。机器学习往深里做肯定需要用这种,高级的数学语言去对问题进行描述。我本人对随机和实分析,其实目前也还只是略懂,很难说,真正的彻底掌握这两门十...

20830
来自专栏量子位

干货分享 | 云脑科技核心算法工程师详解时间序列(附PPT)

云脑科技机器学习训练营以讲解时间序列收尾,详细解说了时间序列的传统模型、进阶模型、神经网络模型,量子位作为合作媒体为大家带来本期干货整理。 内容简介 主讲人:徐...

29940
来自专栏Coding迪斯尼

DeepDream:使用深度学习再造毕加索抽象风格艺术画

毕加索是近代最成功的艺术家,是抽象画派的开山师祖,而且凭借那些惊悚的抽象线条创造出来的画作非常挣钱。毕加索这种抽象创造能力能不能用计算机实现呢,随着深度学习的进...

16420
来自专栏机器人网

人工智能“六步走”学习路线

高等数学是基础中的基础,一切理工科都需要这个打底,数据挖掘、人工智能、模式识别此类跟数据打交道的又尤其需要多元微积分运算基础

11420

扫码关注云+社区

领取腾讯云代金券