DeepMind от Google создал нейронную сеть, способную выполнять 3D-рендеринг всего из нескольких необработанных изображений.
Согласно официальному блогу DeepMind Google, цель его недавнего проекта искусственного интеллекта — упростить обучение нейронных сетей. В настоящее время даже передовая система распознавания на основе искусственного интеллекта использует большие наборы данных, состоящие из изображений, аннотированных человеком. Что делает этот процесс очень дорогим, потому что каждая сцена должна быть прокомментирована человеком.
DeepMind от Google в своей недавней публикации представил сеть генеративных запросов (GQN) — структуру, в рамках которой машины учатся воспринимать свое окружение, обучаясь только на данных, полученных ими самими, устраняя зависимость от людей. Подобно маленькому ребенку, GQN пытается учиться самостоятельно, наблюдая за окружающим миром или окружающей средой. GQN узнает о правдоподобных сценах и их геометрических свойствах без какой-либо человеческой маркировки содержания сцен.
Модель GQN состоит из двух частей: сети представления и сети генерации.
Сеть представлений Сеть представлений использует наблюдения агента в качестве входных данных, а затем описывает основные сцены в качестве представления. Затем сеть генерации предсказывает сцены на основе наблюдений. Сеть представления не знает, какая сеть генерации попросит ее предсказать сцены из данных ею наблюдений. Таким образом, репрезентационная сеть должна быть максимально точной при наблюдении за сценами. GQN обладает следующими важными свойствами:
Генерирующая сеть GQN может «воображать» ранее не наблюдаемые сцены с новых точек зрения с удивительной точностью.
Сеть представления GQN может научиться считать, локализовать и классифицировать объекты без каких-либо меток на уровне объекта.
GQN может отображать, измерять и уменьшать неопределенность. Он способен объяснить неуверенность в своих представлениях о сцене, даже если ее содержание не полностью видно, и может комбинировать несколько частичных представлений сцены, чтобы сформировать связное целое.
Представление GQN обеспечивает надежное, эффективное по данным обучение с подкреплением.
Что ж, производительность GQN, показанная DeepMind, весьма многообещающая, что показывает многообещающие результаты в отношении понимания автономной сцены.
Глава отдела искусственного интеллекта Tesla Андрей Карпати также обсудил проблемы, связанные с обучением системы автопилота компании, в ходе недавних переговоров на TrainAI в мае 2018 года. Маск также упомянул, что его будущий полностью электрический суперкар — Tesla Roadster следующего поколения — будет оснащен « Расширенный режим”, который расширит возможности водителей по управлению высокопроизводительным транспортным средством.
А модель DeepMind GQN от Google — многообещающий подход к автономному пониманию. Ожидается, что это улучшит его производительность за счет доступности наборов данных и улучшений в аппаратном отделе, что позволит GQN работать также в реальных сценариях.
Для дальнейшего чтения..
