ВНИМАНИЕ! На форуме начался конкурс - астрофотография месяца МАРТ!
Rattus и 3 Гостей просматривают эту тему.
10% в данном вопросе слишком много.....
Цитата: ВадимZero от 28 Ноя 2016 [19:56:58]ИИ научили вычислять преступников по лицамСовременный "ИИ" не в состоянии работать со значительным количеством характеристик системы - в частности, даже без предварительной обработки даже такая простая (в смысле числа входных параметров) игра как шахматы ИИ дается плохо.В данном случае исследователи просто скормили некотрое небольшое количество измерений (типа рассстояния между глазами и тп) с очень незначительной (2000 судя по статье) статистикой этому ИИ и получили "модель" - сами стало быть разложение по каким-то функциям сделать не смогли, также не смогли провести анализ собственно полученной алгоритмом "модели".
ИИ научили вычислять преступников по лицам
при такой методике всё зависит от того откуда они брали исходные фото.
"тупо залили 1856 фотографий" - это что, подразумевает что ИИ обработало 1856 графических файлов (sic! безо всякого знания формата файла? Ну пусть будет просто матрица без компрессии)? Так вот, ИИ хочет на вход набор "features" (свойств), число этих свойств не может быть, скажем, 1000. А в сыром изображении каждый пиксель это "feature". Поэтому практически наверняка ИИ получил на вход небольшое количество "свойств" типа расстояния между носом и губами (см. выше).Я немного поработал с ИИ (как пользователь) и почитал статьи. Если вы знаете про какие-то ИИ которые лучше описаннного - укажите.
В обычном перцептроне, который представляет собой полносвязную нейронную сеть, каждый нейрон связан со всеми нейронами предыдущего слоя, причем каждая связь имеет свой персональный весовой коэффициент. В свёрточной нейронной сети в операции свёртки используется лишь ограниченная матрица весов небольшого размера, которую «двигают» по всему обрабатываемому слою (в самом начале — непосредственно по входному изображению), формируя после каждого сдвига сигнал активации для нейрона следующего слоя с аналогичной позицией. То есть для различных нейронов выходного слоя используются общие веса — матрица весов, которую также называют набором весов или ядром свёртки. Она построена таким образом, что графически кодирует какой-либо один признак, например, наличие наклонной линии под определенным углом. Тогда следующий слой, получившийся в результате операции свёртки такой матрицей весов, показывает наличие данной наклонной линии в обрабатываемом слое и её координаты, формируя так называемую карту признаков (англ. feature map). Естественно, в свёрточной нейронной сети набор весов не один, а целая гамма, кодирующая всевозможные линии и дуги под разными углами. При этом такие ядра свертки не закладываются исследователем заранее, а формируются самостоятельно путём обучения сети классическим методом распространения ошибки. Проход каждым набором весов формирует свой собственный экземпляр карты признаков, делая нейронную сеть многомерной (много независимых карт признаков на одном слое). Также следует отметить, что при переборе слоя матрицей весов её передвигают обычно не на полный шаг (размер этой матрицы), а на небольшое расстояние. Так, например, при размерности матрицы весов 5×5 её сдвигают на один или два нейрона (пикселя) вместо пяти, чтобы не «перешагнуть» искомый признак.Операция субдискретизации (англ. subsampling, англ. pooling, также переводимая как «операция подвыборки» или операция объединения), выполняет уменьшение размерности сформированных карт признаков. В данной архитектуре сети считается, что информация о факте наличия искомого признака важнее точного знания его координат, поэтому из нескольких соседних нейронов карты признаков выбирается максимальный и принимается за один нейрон карты признаков уменьшенной размерности. Также иногда применяют операцию нахождения среднего между соседними нейронами. За счёт данной операции, помимо ускорения дальнейших вычислений, сеть становится более инвариантной к масштабу входного изображения.Таким образом, повторяя друг за другом несколько слоёв свёртки и субдискретизации строится свёрточная нейронная сеть. Чередование слоёв позволяет составлять карты признаков из карт признаков, что на практике означает способность распознавания сложных иерархий признаков. Обычно после прохождения нескольких слоев карта признаков вырождается в вектор или даже скаляр, но таких карт признаков становится сотни. На выходе сети часто дополнительно устанавливают несколько слоев полносвязной нейронной сети (перцептрон), на вход которому подаются оконечные карты признаков.Если на первом слое двумерное ядро свёртки проходит по одноканальному изображению, то на внутренних слоях, состоящих из множества карт признаков, берётся трёхмерное ядро размера [ K x K х N ], где K - размер ядра, а N - количество карт признаков в текущем слое, формируя (после прохождения функции активации) одну карту признаков следующего слоя, соответствующую этому ядру свертки.
Этим исследователям вообще не нужно было _ничего_ давать ИИ вроде "Facial landmark points like eye corners" а просто дать _несжатую_ матрицу пикселей.
Неужели так сложно (вычислительно) обрабатывать хотя бы 640x640? Сейчас, когда CPU 2 ГГц - это обычный процессор? Или же это _внутрение_ ограничения самого ИИ?
Чип TrueNorth изготовлен по планарной полупроводниковой технологии по техпроцессу 28 нм на заводе Samsung. Он содержит 5.4 миллиарда транзисторов (что делает его одним из крупнейших на момент выпуска), с помощью которых реализованы:[1]один миллион эмулируемых «нейронов»256 миллионов эмулируемых связей между нейронами — «синапсов».около 400 мегабит SRAM памяти (приблизительно 50 мегабайт)
По одному серваку на нейрон, это наверное имитация биологических нейронов.
Эмуляция биологических сетей это чисто наука, а всякие сверточные сети сейчас в основном GPU работают.
У роботов катастрофически плохо с долговечностью и энергозатратами. Boston Dynamics не зря туда-сюда футболят как надоевшую игрушку: и толку мало и выбросить жалко.
вроде пентагон отказался от планировавшейся закупки мулов. видимо, о чёмто им на презентациях умолчали
Потому что на этого Неуловимого Джо покупателя так и не нашлось.
Ранее на этой неделе портал Tech Insider сообщал, что «сделка почти заключена», что говорит в пользу того, что официальный анонс о купле-продаже между Alphabet и Toyota не заставит себя долго ждать. Кроме того, Toyota в марте приобрела еще одну робототехническую компанию Jaybridge Robotics и вкладывает большие средства в возможную революцию беспилотных автомобилей, которая может состояться к 2020 году. Будем надеяться, что в этой будущее также попадут роботы Spot, Atlas и AlphaDog.
Японцам самое-то у себя внедрять робомобили.При размерах то Японии.....
Машинный слух. Нейросеть SoundNet обучили распознавать объекты по звукуВ последнее время нейросети добились немалого прогресса в области распознавания объектов и сцен на видео. Такие достижения стали возможны благодаря обучению на массивных наборах данных с размеченными объектами (например, см. работу "Learning deep features for scene recognition using places database". NIPS, 2014). Глядя на фотографии или видеоролики, компьютер может практически безошибочно определить место действия, выбрав одно подходящее описание из 401 сцены, например, «захламлённая кухня», «стильная кухня», «спальня подростка» и т.д. А вот в области понимания звуков нейросети пока не демонстрировали такого прогресса. Специалисты из Лаборатории информатики и искусственного интеллекта (CSAIL) Массачусетского технологического института исправили этот недостаток, разработав систему машинного обучения SoundNet.
Boston Dynamics предлагает использовать для доставки своего робота SpotMini
А кондратий посетителей не схватит?
Автор
Тема: Пределы автоматизации и внедрения роботов (Прочитано 605327 раз)
