Blog

Neuronale Netzwerke haben bemerkenswerte Fortschritte in der Bildverarbeitung, Klassifizierung und Spracherkennung gemacht. Diese sehr nützlichen Tools basieren auf bekannten mathematischen Methoden. Wir wissen jedoch nur wenig darüber, warum einige Modelle funktionieren und andere nicht. Dies ist eine Technik, mit der wir in ein Netzwerk hineinschauen oder Bilder wie einen Künstler erstellen können.

Neuronale Netzwerke können je nach auszuführender Aufgabe oder nach Eingabetyp in verschiedene Architekturen (FC, RNN, CNN usw.) gruppiert werden. Auf dem Gebiet der Bildverarbeitung kann eine hervorragende Struktur, CNN, als Ergebnis einer Faltung mit verschiedenen Filtern Informationen aus Bildern extrahieren. Solche Netzwerke bestehen typischerweise aus 30 bis 60 gepaarten Neuronen, abhängig von der Komplexität der auszuführenden Aufgabe. Die Bilder werden der Eingabeebene nacheinander zugeführt, gefolgt von den verschiedenen Ebenen, bis wir schließlich die Ausgabeebene erreichen, die die Entscheidung darstellt, die für die gegebene Aufgabe auszuführen ist.

AiCAN forschte mit der oben genannten Netzwerkarchitektur, die auch zur Erstellung des psychedelischen Videos verwendet wurde. [1]

Das Lernen des Netzwerks und somit das Anpassen der Parameter der Filter erfolgt mit Millionen von Lehrbeispielen, wobei die Gewichte des Netzwerks schrittweise angepasst werden, bis die gewünschte Einstufungsqualität erreicht ist.

Wir wissen, dass unser Netzwerk ein Tier im Bild genau klassifiziert, aber wir wissen nicht, welche Merkmale die Grundlage seiner Entscheidung waren (dies ist das Spezialgebiet künstlicher Intelligenz, da es die logische Verbindung unabhängig macht, wir haben es nicht definiert.) ). Wir benötigen diese Informationen, um die Funktionsweise des Netzwerks zu verstehen. Eine Möglichkeit, diese Informationen zu extrahieren, besteht darin, das Netzwerk auf den Kopf zu stellen. Anstatt eine Entscheidung mit dem Netzwerk basierend auf einem Eingabebild zu treffen, untersuchen wir, welches Bild den Filter einer ausgewählten Ebene maximiert. Dies kann durch Iteration des Gradientenaufstiegs (zur Eingabeebene) erreicht werden.

Bilder, die mit dieser Methode erstellt werden, können ausgewertet werden, um sicherzustellen, dass das Netzwerk das Wesentliche und den grundlegenden Zusammenhang mit bestimmten Klassen feststellt.

KONVOLUTIONELLE NEURALE NETZWERKE FUNKTIONIEREN DIE VISUALISIERUNG MIT DER GRADIENTEN METHODE

1. Platzieren Sie ein beliebiges Bild für die Eingabe (es kann sogar ganz weiß sein).
2. Optimieren Sie das Bild: Maximieren Sie die ausgewählte neuronale Netzwerkschicht mit der Gradientenaufstiegsmethode.
   1. Berechnen Sie die Aktivierung der ausgewählten Ebene, die wir maximieren möchten.
   2. Bestimmen Sie den Gradienten der angegebenen Aktivierung in Bezug auf den Maximalwert.
   3. Propagation des Gradienten auf die Eingabeebene (Backpropagation), diesmal jedoch nicht für die Gewichte, sondern in Bezug auf die Pixel der Eingabe (im Gegensatz zur traditionellen Lehre)
   4. Ändern Sie das Bild mit den Farbverläufen. Dieses Bild wird durch die Hochfrequenzkomponenten und die fehlende Verbindung zwischen den Pixeln verrauscht.
3. Regularisieren Sie das Bild, wodurch der durch die Verlaufsaktualisierung verursachte Effekt verringert wird.
4. Verwenden Sie dieses Bild als Startbild, damit wir zum ersten Schritt springen können. Fahren Sie fort, bis Sie das gewünschte Ergebnis erreicht haben.

Bei der Auswertung der propagierten Bilder können wir schließen, dass je tiefer wir uns in den Netzschichten befinden, desto komplexere Merkmale werden bewertet. Eine Ebene in der Nähe der Eingabe erkennt Kanten oder Ecken, Zwischenschichten, die grundlegende Merkmale, allgemeine Formen oder Komponenten (Rad, Windschutzscheibe) interpretieren. Die letzten Schichten kompilieren sie zu einem bestimmten Objekt, diese Neuronen reagieren auf komplexe Dinge wie ein Auto.

DEEP DREAM

DIE ALGORITHMUS-BRIEFLIE:

DEEPDREAM ist ein von Google entwickelter Algorithmus zur Verbesserung der Visualisierung, der eine Reihe künstlerischer Bilder erzeugt. Aus dieser Sequenz von Bildern kann später ein Video erstellt werden, wobei halluzinogene Effekte auftreten.

Der Grund für die Ergänzung des ursprünglichen Algorithmus besteht darin, dass die mit herkömmlichen Techniken erzeugten Bilder verrauscht sind.

DER RECURSIVE-PROZESS IN SCHRITTEN (OKTAVE)

• Platzieren Sie ein Bild an der Eingabe.
• Mit Gauss-Filter dimmen Sie das Bild ab, um Artefakte zu vermeiden.
• Verkleinern Sie das Bild in Bezug auf den vorgegebenen Skalar. (ENDEPUNKT)
• Fügen Sie das Bild und das vorherige Bild Pixel für Pixel hinzu. (ENTER POINT)
• Wenden Sie den oben beschriebenen Algorithmus auf das Bild an.
• Skalieren Sie das Bild auf die Originalgröße.

Wir sind sicher, dass es in Ihrem Unternehmen viele Aufgaben gibt, die mit AI automatisiert werden können: Wenn Sie die Vorteile der künstlichen Intelligenz genießen möchten, wenden Sie sich an unsere kostenlose Beratung bei einem unserer Ansprechpartner.

QUELLEN:

[1] Christian Szegedy, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed, Dragomir Anguelov, Dumitru Erhan, Vincent Vanhoucke, Andrew Rabinovich, ArXiv, 2014

[2] https://ai.googleblog.com/2015/06/inceptionism-going-deeper-into-neural.html