前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >万圣节噩梦 | MIT开发“噩梦机器” 用深度学习吓你一跳

万圣节噩梦 | MIT开发“噩梦机器” 用深度学习吓你一跳

作者头像
大数据文摘
发布2018-05-25 11:35:08
7310
发布2018-05-25 11:35:08
举报
文章被收录于专栏:大数据文摘

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!

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2016-10-31,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 大数据文摘 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • ◆ ◆ ◆
  • ◆ ◆ ◆
  • ◆ ◆ ◆
相关产品与服务
NLP 服务
NLP 服务(Natural Language Process,NLP)深度整合了腾讯内部的 NLP 技术,提供多项智能文本处理和文本生成能力,包括词法分析、相似词召回、词相似度、句子相似度、文本润色、句子纠错、文本补全、句子生成等。满足各行业的文本智能需求。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档