التاليالدليل التالي
Pix2Pix ترجمة الصور إلى الصور
الذكاء الاصطناعي البصري
دليل الذكاء الاصطناعي المرئي
الترجمة غير المقترنة بـ CycleGAN
تتعلم CycleGAN ترجمة الصور بين مجالين مرئيين (مثل الخيول إلى الحمير الوحشية، أو الصور إلى اللوحات) دون الحاجة إلى أزواج أمثلة متطابقة قبل وبعد.
استمع إلى هذا الدليلرواه الذكاء الاصطناعي · ~2 min
في هذه الصفحةقراءة لمدة دقيقتين
نظرة عامة
وهذا مهم لأن جمع بيانات التدريب المقترنة غالبًا ما يكون مستحيلًا، ويفتح CycleGAN نقل الأنماط لمجموعات البيانات الفوضوية في العالم الحقيقي.
الغوص العميق
تم تقديم CycleGAN في عام 2017 بواسطة Zhu وPark وIsola وEfros، وهو يعالج الترجمة غير المقترنة من صورة إلى صورة. كانت معظم الطرق السابقة (مثل pix2pix) تحتاج إلى أزواج دقيقة: نفس المشهد كصورة وكرسم تخطيطي. تزيل CycleGAN هذا المطلب باستخدام مولدين (G يحول المجال A إلى B، وF يحول B مرة أخرى إلى A) ومميزين يحكمان على الواقعية في كل مجال. والاختراق هو فقدان اتساق الدورة: إذا قمت بترجمة صورة حصان إلى حمار وحشي ثم قمت بترجمتها مرة أخرى، فيجب عليك استعادة الحصان الأصلي. يمنع هذا القيد المولد من اختراع مخرجات عشوائية ويفرض تعيينات ذات معنى تحافظ على المحتوى. من المعروف أنه يحول المناظر الطبيعية الصيفية إلى شتاء، ولوحات مونيه إلى صور، والتفاح إلى برتقال، وكلها تعلمت من مجموعتين من الصور غير المرتبطة.
التنفيذ في العالم الحقيقي
تحويل الصور الفوتوغرافية إلى أسلوب رسم مونيه أو فان جوخ أو سيزان بدون أمثلة مقترنة بالرسم الفوتوغرافي
تحويل صور المناظر الطبيعية الصيفية إلى مشاهد شتوية (والعكس صحيح) لإنشاء أصول الأفلام والألعاب
ترجمة فحوصات التصوير بالرنين المغناطيسي إلى صور تشبه الأشعة المقطعية في الأبحاث الطبية حيث لا تتوفر عمليات فحص المرضى المقترنة
تكييف لقطات محاكاة القيادة الاصطناعية لتبدو واقعية لتدريب إدراك المركبات ذاتية القيادة
مستقبل الترجمة غير المقترنة بـ CycleGAN
الفكرة الأساسية لـ CycleGAN، وهي اتساق الدورة، لا تزال موجودة في أعمال الترجمة الحديثة غير المقترنة، بما في ذلك الأساليب القائمة على الانتشار التي تستبدل العمود الفقري لـ GAN بنماذج تقليل الضوضاء بمخرجات أكثر وضوحًا وتنوعًا. يطبق الباحثون الآن الترجمة غير المقترنة على التصوير الطبي (تجميع طرائق المسح)، وتكييف المجال لنقل المحاكاة ذاتية القيادة إلى النقل الحقيقي، وزيادة البيانات. توقع تحكمًا أكثر صرامة فيما يتغير مقابل ما يظل ثابتًا، بالإضافة إلى الأساليب الهجينة التي تمزج قيود الدورة مع تحرير النشر المشروط بالنص.
وضعها موضع التنفيذ
لماذا يهم
- السرعة والحجم. يمكن للذكاء الاصطناعي المرئي أتمتة مهام الفحص والكشف ووضع العلامات على نطاق واسع.
- خيارات البناء. يمكن للفرق الإبداعية إنشاء نماذج أولية للمفاهيم بشكل أسرع مع عدد أقل من المراجعات اليدوية.
- الفريق وسير العمل. يمكن أن تستخدم العمليات إشارات الصور والفيديو التي كان من الصعب معالجتها في السابق.
احترس من
- يمكن أن تصبح حقوق الصور والموافقة مخاطر قانونية إذا كان المصدر غير واضح.
- يمكن أن يختلف أداء النموذج عبر الإضاءة والتركيبة السكانية والبيئات.
- قد تمر الإيجابيات الكاذبة دون أن يلاحظها أحد ما لم تتم مراقبة عتبات الثقة.
الخطوات التالية
- تحديد معايير القبول لتكاليف الدقة والاستدعاء والخطأ.
- اختبار مع البيانات التي تتوافق مع ظروف الإنتاج الحقيقية.
- أضف مراجعة بشرية للتنبؤات منخفضة الثقة أو عالية التأثير.
- تتبع انحراف النموذج وإعادة التحقق من صحته بعد تغيير الكاميرا أو مجموعة البيانات.
استمر في الاستكشاف
رسالة إخبارية مجانية
احصل على الإحاطة اليومية لمنظمة العفو الدولية
ثلاث قصص تم التحقق منها بواسطة الذكاء الاصطناعي كل صباح من أيام الأسبوع، مكتوبة باللغة الإنجليزية البسيطة. مجاني للأبد، بدون إعلانات.
بريد إلكتروني واحد كل يوم من أيام الأسبوع. إلغاء الاشتراك بنقرة واحدة. نحن لا نبيع أو نشارك عنوانك أبدًا.
اختبر نفسك
Take the CycleGAN Unpaired Translation quiz
تعليقات فورية على كل إجابة، وشهادة قابلة للمشاركة مع معرف يمكن التحقق منه بمجرد اجتياز الدورة التدريبية.
دعم تعليم الذكاء الاصطناعي المجاني. AI Understanding هي منظمة 501(c)(3) غير ربحية - لا إعلانات ولا نظام حظر الاشتراك غير المدفوع على الإطلاق. قم بالتبرع
الأسئلة المتداولة
ما هي الترجمة غير المقترنة CycleGAN؟
تتعلم CycleGAN ترجمة الصور بين مجالين مرئيين (مثل الخيول إلى الحمير الوحشية، أو الصور إلى اللوحات) دون الحاجة إلى أزواج أمثلة متطابقة قبل وبعد. وهذا مهم لأن جمع بيانات التدريب المقترنة غالبًا ما يكون مستحيلًا، ويفتح CycleGAN نقل الأنماط لمجموعات البيانات الفوضوية في العالم الحقيقي.
ما هي المشكلة الرئيسية التي حلتها CycleGAN والتي لم تتمكن الطرق السابقة مثل pix2pix من حلها؟
تتمثل المساهمة الرئيسية لـ CycleGAN في الترجمة غير المقترنة، وتعلم التعيينات بين النطاقات من مجموعتين من الصور غير المرتبطة بدلاً من الأزواج الدقيقة.
ما الذي يفرضه فقدان اتساق الدورة؟
اتساق الدورة يعني أن F(G(x)) يجب أن تساوي x: يجب أن يبدو الحصان الذي تحول إلى حمار وحشي وظهره مثل الحصان الأصلي.
كم عدد المولدات التي يستخدمها CycleGAN القياسي؟
يستخدم CycleGAN مولدين، واحد لكل اتجاه ترجمة (من A إلى B ومن B إلى A)، بالإضافة إلى اثنين من أدوات التمييز.
ما نوع أداة التمييز التي يستخدمها CycleGAN عادةً؟
يستخدم CycleGAN أداة تمييز PatchGAN التي تحكم على التصحيحات المتداخلة على أنها حقيقية أو مزيفة، مما يشجع الواقعية المحلية.
لماذا تتم إضافة فقدان الهوية أحيانًا إلى CycleGAN؟
يؤدي فقدان الهوية إلى معاقبة التغييرات غير الضرورية عندما تكون الصورة موجودة بالفعل في المجال الهدف، مما يساعد في الحفاظ على الألوان والصبغة.
استمر في التعلم
أدلة ذات صلة
تم اختيار المزيد من الأدلة لهذا الموضوع