MIT: s Cheetah 3 roboten navigerar grov terräng utan syn
Den senaste versionen av MIT: s robot Cheetah, Cheetah 3, är utformade för att flytta över grov terräng och genom hinder utan att förlita sig på vision. Läs mer: https://zd.net/2MUnFiq
En het trend i artificiell intelligens under de senaste åren har ökningen av imponerande förfalskningar — falska headshots, falska videor, falska sms: a. Djupt lärande tekniker, en del av maskininlärning, har blivit bättre och bättre på att ta verkliga data och använda den för att göra något artificiellt, till exempel en bild, verkar otroligt övertygande.
Forskare vid Massachusetts Institute of Technology på måndagen meddelade en AI som går i motsatt riktning: det tar något verkligt och gör det konstgjorda. Ansökan är något förvånande, stickade plagg som måste återges. Systemet studier en bild på ett plagg och beräknar en serie stygn för att ge en automatiserad stickmaskin.
Under nyfiken på titeln, “Neurala Inversa Stickning: Från Bilder till Tillverkning Instruktioner,” artikeln beskriver hur att ta bilder av stickade plagg och använda convolutional neurala nätverk, eller CNNs, och en generativ kontradiktoriska nätverk, eller GAN, för att producera en plan eller en plan som anger vid varje punkt i ett plagg som sjutton olika sömmar typer bör användas. Uppsatsen är skriven av Alexandre Kaspar, Tae-Hyun Oh, Liane Makatura, Petr Kellnhofer, och Wojciech Matusik av MIT.
Forskningen publiceras i samband med en andra papper, “Stickning Skelett: En Datorstödd Design Verktyg för att Forma och Mönstring av Stickade Plagg,” där Kaspar, Makatura, och Matusik införa ett program för att enkelt lägga ut sömmar för ett plagg.
Den djupa stickning pipeline från verkliga bilder av kläder och marken sanningen etiketter av stygn, på vänstra, för att sluta sy mönster som är producerad av nätverket, till höger.
MIT
Idén om den andra papper är ett verktyg som gör det super enkelt för en person som inte har någon erfarenhet med stickning att producera instruktioner för en automatisk stickmaskin. Automatisk stickning av maskiner har ökat i antal, till exempel system av Shima Seiki. Men de brukar kräva några domän expertis till programmet, så Kaspar och kollegor ville att erbjuda ett sätt för nybörjare att komma in på mål genom att förenkla design pipeline. Det är snarare som att vad har hänt med “additiv tillverkning”, där folk kan ladda upp sina konstruktioner för att en 3-D skrivare i molnet. Här, MIT författare vill förväg “stickning som en tjänst,” som de kallar det.
Som hjälper till att undvika “maskinen kodning” av knitter, men det finns fortfarande massor av arbete för att ange alla stygn i ett plagg. Och det är där det blir intressant för maskininlärning. De kom upp med en algoritm för att automatiskt producera ett mönster av maskin-begriplig stygn.
Också: Nvidia fantastiska förfalskningar packa upp den svarta lådan av AI
“Under dess drift, ett helt plagg stickmaskin utför en anpassad låg nivå program för att tillverka varje textil objekt”, förklarar de i “Neurala Inversa Stickning.”
“Typiskt, att generera kod som motsvarar varje design är en svår och mödosam process som kräver expertkunskap.”
Neurala inversa stickning nätverk, med en “refiner” som kombinerar riktiga foton och syntetiska bilder av plagg, och ett program generator som matar maskinläsbara sy instruktioner.
MIT
Därav behovet av att använda maskinen lärande för att utveckla en förmåga att räkna ut en sådan maskin instruktioner för att automatiskt starta från ett prov plagg, vad man skulle kunna kalla “computational stickning.”
Som beskrivs närmare i ett papper som innehåller kompletterande material, det neurala nätverket har för att beräkna två olika saker: att det har att beräkna först en perfekt representation av plagget i fråga, och sedan har det också att beräkna de stygn som är inblandade.
För den första delen, det neurala nätet matas två typer av prover, verkliga bilder av stickade plagg som författarna stickad från scratch och sedan fotograferade, och syntetiseras bilder på kläder som genereras av deras design software. Den senare, syntetiska bilder, är renare än den verkliga fotografier, och så kommer de att användas för att städa upp, i en mening, den verkliga bilder.
Också: MIT ups ante på att få en AI att lära en annan
En “refiner” modul, med hjälp av en generativ kontradiktoriska nätverk, eller GAN, smälter den verkliga och syntetiska bilder, och rensar upp riktiga bilder genom att omvandla dem enligt den idealiserade, legaliseras syntetiska bilder av stickat mönster.
Som författarna beskriver det, de är vända typisk användning av GANs, som försöker “karta” något fejka att något verkligt, för att producera en övertygande telefax. Här, som de i stället vill förenkla och förtydliga oreda i den verkliga världen med något simulerade.
“Tidigare metoder har undersökt generera realistisk, bilder,” skriver de. “Vi i stället lära sig att neutralisera den verkliga störning av kartläggning från verkliga data syntetiska söker uppgifter.” Genom en ablation studie visar de att den blandning av verkliga och syntetiska bilder gör sig bättre när computing stygnen inblandade jämfört med att bara använda riktiga bilder av stickade objekt.
Författarna stickade några prover från scratch och sträckte dem på metallstänger, så att de kunde fotografera dem att bygga ett dataset med verkliga bilder att träna neurala nätverk.
MIT
Den andra delen, som kallas “Img2Prog,” används för att härleda stygn från den blandning av verkliga och syntetiska bilder. Båda bilderna är märkta med en “ground truth” – tagg som anger vilken av 17 sömmar som syns i bilden. Genom att optimera den för “cross-entropi” förlust mellan marken sanningen etiketter och produktionen av det neurala nätverket, det neurala nätet beräknar statistiska mönster av 17 olika stygn representerade i tusentals exempel bilder.
Relaterade Ämnen:
Utvecklare
Digital Omvandling
CXO
Sakernas Internet
Innovation
Affärssystem