Dviejų konkuruojančių neuroninių tinklų sistema išmoko generuoti beveik sekundę video, remdamiesi vieninteliu statišku fotokadru.
„Bet kuris realiame pasaulyje veikiantis robotas privalo gebėti bent jau bendrais bruožais numatyti ateitį, – sako Carl Vondrick iš MIT. – Pavyzdžiui, jei nusprendėte prisėsti, jis turi pristumti jums kėdę, o ne patraukti.“ Tokia užduotis ir paskatino Vondricką su kolegomis užsiimti sistemos, generuojančios kelis tolesnius kadrus iš vienos pradinės nuotraukos, kūrimą.
DI mokėsi iš maždaug 2 milijonų laisvai prieinamų „Flickr“ vaizdo klipų. Autoriai pažymi, kad buvo atrenkami nepažymėti įrašai, kad įrašai nepasakinėtų DI. Jis buvo realizuotas konkuruojančių tinklų (Adversarial Networks) architektūros pagrindu: Vienas neuroninis tinklas generuoja pratęsimo variantus, o antrasis vertina jų tikėtinumą. Abu jie treniruojasi vienas prieš kitą: pirmasis stengiasi apgauti antrąjį, o antrasis – ieško menkiausių apgaulės ženklų.
Sistema kol kas veikia tik su mažos raiškos vaizdais ir generuoja 32 kadrus – mažiau nei sekundę. Tačiau jie teisingai vysto pirminiame kadre vykstantį veiksmą: lėktuvas skrenda tinkama trajektorija, medžiai siūbuoja vėjyje ir t. t. Vondrickas pripažįsta, kad jų sistema daug ko negali – visų pirma, jai trūksta žinių apie realųjį pasaulį. Kita vertus, jis pažymi, kad 2 milijonai vaizdo klipų atitinka maždaug 2 metus nenutrūkstamo žiūrėjimo. Kaip dviejų metų vaikas, jų DI aplinkoje gaudosi ne taip jau ir blogai.
„The New Scientist“ duomenimis, sistemos kūrėjai rengiasi ją pristatyti gruodžio pradžioje Ispanijoje vyksiančioje konferencijoje.
Paieška archyve
