自己通过在网上找的资料，然后自己整理起来，做成了教程。&br&&br&希望大家可以有用所得。分享，让自己更快乐。
可以记录推荐数据哦！
添加到收藏
没有新消息
下次自动登录
第三方帐号登录苹果发布人工智能研究论文:提出模拟+无监督方法改善合成图像质量
机器之心编译在12月初的时候，苹果正式向外界宣布允许其人工智能和机器学习研究员公开发布和分享他们的最新研究成果，这一举措稍稍掀开了苹果久负盛名且神秘的创新研究进程的一角。
　　机器之心编译
　　在12月初的时候,苹果正式向外界宣布允许其人工智能和机器学习研究员公开发布和分享他们的最新研究成果,这一举措稍稍掀开了苹果久负盛名且神秘的创新研究进程的一角。仅在几周之后,他们的人工智能和机器学习研究的第一篇论文发表了,主要聚焦苹果在智能图像识别领域的研究。
　　机器学习研究也许会在苹果内部引领新的潮流。该公司最近成立的机器学习小组中六位研究员发表了一篇论文,这篇论文描述了一种用于模拟+无监督学习(simulated + unsupervised learning)的新方法。其目的是提高合成训练图片的质量。这项研究展示了该公司希望在高速增长的人工智能领域中成为领导者的渴望。
　　谷歌、Facebook、微软还有其他技术类初创公司一直稳步发展他们的机器学习研究小组。这些公司都发表了几百份的学术研究。他们的学术追求都是公开且有据可查,但是苹果公司一直很固执地将研究成果保密。
　　变化是从本月初开始的。苹果的AI 研究部主任Russ Salakhutdinov 宣布该公司将很快开始发表研究成果。该研究小组的第一次尝试就是很及时很务实的。
　　近来,使用合成图像和视频训练机器学习模型的频率越来越高了。不使用真实世界的图像是因为其花费的成本和时间很高,而生成图像的成本更少,更容易获取和定制化。
　　在该研究中,苹果指出了与合成图像或计算机图像相比使用真实图像的优缺点,标注必须添加到真正的图像,这是一个「昂贵且耗时的任务」,需要一个人的劳动力单独标记图片中的物体。另一方面,计算机生成的图像能帮助促进这一过程,「因为标注是自动可用的。」
　　尽管如此,完全换成合成图像可能会导致程序的质量下降的问题。这是因为「合成数据往往不够现实」,往往会产生只对计算机生成的图像的细节才能反应良好的用户体验,而且还不能很好地泛化到它面对的任何真实世界的物体和图像上。
　　这就是这篇论文的初衷所在——在「对抗学习」中综合使用模拟和真实图像,创建出一个领先的人工智能图像程序:
　　在这篇论文中,我们提出了模拟+无监督学习(S+U)学习,其目标是使用未标记的真实数据提升合成图像的真实性。经过提升的真实性能够在没有收集的真实数据或经过人类注释的大型数据集上实现更好机器模型训练。
　　我们发现这将实现高质量的真实图像的生成,而且经过了定性研究和用户研究的验证。
　　论文剩下的部分介绍了苹果在该主题下的一些研究细节,包括已经开始操作的实验和支持其研究发现的一些数据理论。虽然这篇论文只关注单个图像,但是苹果的该研究团队指出他们最终期望的结果是「探讨精炼的视频」。
　　苹果提议使用生成式对抗网络(GANs)来提高这些合成图像的质量。生成式对抗网络并不新颖,但苹果正在修改它使其更加符合生成训练图片的目的。
　　生成式对抗网络很大程度上通过利用竞争性神经网络(competing neural networks)之间的对抗关系来工作。在苹果公司的论文中,模拟器通过精炼机(refiner)进行生成图像,然后将这些精炼过的图像发送到鉴别器(discriminator),鉴别器的任务就是区分真实图像和合成图像。
作者：机器之心
编辑：杨露
扫码变身小作家
惊喜大礼抱回家
未来网为中央新闻网站&如有新闻线索请发至邮箱：
来源：中新网　 15:11
来源：屏山公安　 13:57
来源：华商网　 07:35
来源：中新网　 20:34
来源：中新网　作者：韦亮　 20:32
来源：中国天气网辽宁站　 19:24
版权所有：共青团中央网络影视中心信息网络传播视听节目许可证0105108号 京ICP备号-1
&&|&&&&|&&客服电话：010-您的位置：
苹果首篇AI博客：改进合成图像的真实性
选自Apple参与：机器之心编辑部从CoreML到自动驾驶汽车，苹果的新技术探索在形成产品之前通常都会处于接近保密的状态，直到去年12月底，他们才以公司的名义发表了第一篇机器学习领域里的学术论文，介绍了自己在改善合成图像质量方面的研究。最近，这家以封闭而闻名的科技巨头突然宣布将以在线期刊的形式定期发表自己在机器学习方面的研究，而这份期刊的第一篇文章主要探讨的依然是合成图像的真实性，让我们先睹为快。苹果机器学习期刊：/现在，神经网络的绝大多数成功实例来自监督学习。然而，为了达到高精度，数据训练集需要大且多元，并经过精确标注，这意味着高昂的成本。标注海量数据的一个替代方案是使用来自模拟器的合成图像；这很廉价，并且没有标注成本，但是合成图像缺乏逼真度，导致泛化到实际测试图像时效果欠佳。为了弥补这一性能差距，我们提出了一种新方法，可以改进合成图像使其看起来更逼真，并在不同的机器学习任务中取得了显著的精度提升。概览通过标准合成图像训练机器学习模型存在一定的问题，因为图像逼真度不够，导致模型只学习到了合成图像的细节，却无法很好地泛化到真实图像上。缩小合成与真实图像之间差距的一个方法是改善模拟器，这通常很昂贵和困难；即使最佳的渲染算法仍然无法对真实图像中存在的所有细节进行建模。真实度的缺乏导致模型对合成图像中的非真实细节产生了过拟合。我们可否不建模模拟器中的所有细节，而是直接从数据中学习呢？为此，我们提出了一种改善合成图像以使其看起来更逼真的方法。图1.该任务是借助非标注的真实数据学习一个模型，从而提高来自模拟器的合成图像的真实度，同时保留其注解信息。提高真实度的目标是使图像看起来尽可能地逼真从而提高测试的精度。这意味着我们要为机器学习模型的训练保留注解信息。例如，图1中的注视方向应该被保留，同时不生成任何伪影，因为机器学习模型可能对它们产生过拟合。我们训练了一个深度神经网络——「改善器网络（refinernetwork）」，用来提高合成图像的真实度。为了训练改善器网络，我们需要一些真实图像。一个选择是需要若干对真实与合成图像，且二者之间的像素相对应，或者带有注解的真实图像，如上图中的注视信息。这无疑降低了问题的难度，但是这样的数据对很难收集。为了实现像素的对应，我们要么渲染一张合成图像以对应于一张给定的真实图像，要么反之。我们可以无需像素的对应或者不对真实图像做任何标注而习得两者之间的映射，从而降低成本使其易于推广吗？为了以无监督的方式训练改善器网络，我们借助鉴别器网络（discriminatornetwork）来分类真实与改善的（假的）图像。改善器网络试图愚弄鉴别器网络，使其相信改善的图像是真实的。两个网络交替训练，当鉴别器网络无法区分真实与虚假图像时，则训练停止。鉴别器网络的对抗式使用和生成对抗网络（GAN）原理相类似。我们的目标是训练一个改善器网络——一个生成器——从而把合成图像映射到逼真图像。图2给出了该方法的概述。图2.我们的改善器神经网，R，最大限度地减少了局部对抗性损失函数与一个「自正则化」项（『self-regularization』term）的结合。对抗性损失函数「愚弄」鉴别器网络，D，后者负责区分一张图片的真假。自正则化项最小化了合成与改善图像之间的差别。改善器网络和鉴别器网络交替更新。我们如何保留注解？除了生成逼真图像，改善器网络还保留模拟器的注解信息。比如，对于注视的评估，习得的变换不应该改变注视的方向。这一限制很关键，使得可以使用带有模拟器注解的改善图像训练机器学习模型。为了保留合成图像的注解，我们使用自正则化L1损失函数补充了对抗性损失函数，从而惩罚了合成图像与改善图像之间的大变化。我们如何避免伪影？制造局部变化改善器网络的另一个关键需求是它可以引入任何伪影而学习建模真实图像的特征。当我们训练一个单一的强鉴别器网络时，改善器网络倾向于过度强调若干个图像特征以愚弄当前的鉴别器，导致了伪影的飘移和产生。一个关键的观察是，从改善图像采样的任何局部图像块应该具有与真实图像图像块相似的统计。因此，我们没有定义一个整体的鉴别器网络，而是定义了一个独自分类所有局部图像块的鉴别器网络（图3）。该划分不仅限制了接收域（进而限制了鉴别器的能力），还为每张图像提供了很多样本以学习鉴别器网络。改善器网络也通过拥有每张图像的多个真实损失函数值而获得了提升。图3.局部对抗性损失函数的图式。鉴别器网络输出了一个w×h概率图。对抗性损失函数是局部图像块之间的交叉熵损失之和。使用生成器的历史信息来改善鉴别器生成器可以用一个新型分布或目标（真实数据）分布的样本来「愚弄」生成器。直到鉴别器学会那个新分布以前，新分布的生成结果都会对鉴别器进行「欺骗」。生成器愚弄鉴别器的更有效的方式则是通过目标分布（targetdistribution）来生成结果。要想使这两种方式进化，通常最简单的方法就是生成一个全新的输出，也就是当我们用相互对抗的方式来训练当前生成器和鉴别器的时候所观察到的结果。这种无效序列的简单情况如图4左手边所示。生成器和鉴别器分布分别以黄色和蓝色区域来表示。通过引入历史信息，即从先前生成结果中存储的生成器样本（图4右手边），鉴别器就不太可能会忘记它已经学习过的部分信息了。更强大的鉴别器帮助生成器更快地靠近目标分布。然而实际上，一个简单且随机的替换缓冲器（replacementbuffer）可以从先前生成器的分布中采集足够的多样性。我们的观念是，在整个训练过程当中的任意时间，通过改善器网络生成的任何改善的图像实际上对鉴别器来说都是一个「假」的图像。我们发现，使用从历史信息缓冲器采集到的样本作为一半，以及把当前生成器的输出作为另一半，来给D建造一个mini-batch，我们就可以实现对训练的改进。图4.使用图像历史信息提升鉴别器的直觉例证。图5.带有D的历史信息的mini-batch例证。每个mini-batch包括来自生成器当前迭代的图像以及先前假图像的缓冲器。训练过程如何展开？我们首先训练改善器网络的自正则化损失函数，在改善器网络开始输出输入合成图像的模糊版本后引入对抗性损失函数。图6是改善器网络在每个训练步骤的输出结果。随着训练过程的进行，改善器网络输出的模糊图像越来越真实。图7是鉴别器损失函数生成器损失函数在不同训练迭代阶段的变化趋势。需要注意的是，一开始鉴别器损失较低，这说明该网络可以轻松区分真实图像和改善图像。随着训练过程的进行，鉴别器损失逐渐上升，生成器损失逐渐下降，改善器网络生成的图像也更加真实。图6.改善器网络在训练过程中的输出结果。最初输出的图像比较模糊，随后改善器网络学习对真实图像中的细节进行建模。图7.训练过程中的鉴别器损失和生成器损失自正则化L1损失有限制性吗？如果合成图像和真实图像在分布中存在显著差别，那么即使是像素级L1的不同也会带来限制。在这种情况下，我们可以在特征空间上使用自正则项，用替代性特征变换（alternativefeaturetransform）来替代标识映射。这些是手动调整的特征，或者习得的特征，如VGGnet的中层。如图8所示，RGB通道可以生成真实的图像颜色。图8.在特征空间中使用自正则化损失的实例。生成器会改变标签吗？为了保证标签不被大量改变，我们在合成图像和改善图像上手动画椭圆，并计算中心之间的距离。图9是50个此类中心区距离的散点图。合成图像和对应改善图像的瞳孔中心的绝对距离非常小：1.1+/-0.8px（眼睛宽度=55px）。图9.合成图像和真实图像瞳孔中心距离的散点图。如何调整超参数G的初始化首先我们只在自正则损失中初始化G，这样它就可以生成模拟版本的合成输入。通常G需要500-2000步（在没有训练D的情况下）。在每个训练迭代中G和D的不同步骤我们在生成器和鉴别器每一个训练迭代中使用了不同的训练步数。对于手势估算使用深度，我们在每个D的步数中使用2个G步数；而对于目视估计任务，我们最终找到在每个D步数中使用50个G步数能达到最佳性能。我们发现鉴别器与生成器相比，前者能更快地收敛，部分原因是鉴别器中有batch-norm。所以我们将#D的步数修改为1，并从小数字开始变化#G的步数，根据鉴别器损失值缓慢增加。学习速率和stopping标准我们发现让学习速率保持在非常小的数值上（约0.0001）并训练很长时间能达到最好的效果。该方法有意义的原因可能是这样可以让生成器和鉴别器不会发生突变，让其中一个甩开另一个。我们发现很难通过可视化训练损失来停止训练。取而代之的是，我们保存训练图像作为训练进度，并在改善化图像看起来与真实图像相近时停止训练。定性结果为评估改善图像的视觉质量，我们设计了一个简单的用户调查，请参与者将图像按真实图像和改善合成图像进行分类。调查发现参与者很难区分真实图像和改善图像。经过综合分析，10名参与者在1000次试验中选对标签的次数是517次，即他们不能确切地辨认出真实图像和改善合成图像的区别。但是，在对原始合成图像和真实图像进行测试的时候，我们向每位参与者展示真实图像和合成图像各10张。在200次试验中，参与者一共选对了162次。图10展示了一部分合成图像和对应的改善图像实例。图10.使用上文所述方法改善后的眼睛图像实例。定量结果图11展示了使用改善数据的性能提升，与使用原始合成数据的训练效果相比。在下图中有两个重点：（1）使用精细图像进行训练优于使用原始合成图像的训练；（2）使用更多合成数据可进一步提高性能。在图12中，我们将目视估计误差与其他目前最好的方式进行了比较，展示了提升测试数据的真实性可以显著提高模型生成质量。图11.使用合成和改善化图像进行注视估计的性能对比。评估使用了真实图片。图12.在MPIIGaze数据集中不同方法之间的注视估计性能对比。相关工作近年来，使用对抗性训练方式的研究正在变得越来越流行。Isola等人的图像到图像（image-to-image）转换论文[4]解释了一种将图像从一种形式转换为另一种的方法，但它需要像素级的对应。随后，该研究组又提出了非配对的图像到图像转换方法[5]，讨论了放宽对像素关联的限制，并根据我们的策略使用了生成器历史来提升鉴别器的能力。英伟达5月份提出的无监督图像到图像转换网络[6]使用GAN和变分自动编码器的组合来学习源域和目标域之间的映射。Costa等人随后受我们的启发展示了生成眼底图像的研究[7]。而Sela等人也使用了类似的自正则化方法来进行面部几何重建[8]。Lee等人从局部关键图像块上使用鉴别器来学习合成新的图片[9]。若想获知有关本研究的更多细节，请查阅苹果的CVPR论文《LearningfromSimulatedandUnsupervisedImagesthroughAdversarialTraining》[10]。论文：通过对抗性训练从模拟和无监督图像中学习（LearningfromSimulatedandUnsupervisedImagesthroughAdversarialTraining）论文地址：https://arxiv.org/abs/随着图像技术的最新进步，在合成图像上对模型进行训练也变得更加易于处理，一定程度上避免了对昂贵标注的需求。然而，由于合成图像分布和真实图像分布之间存在差距，从合成图像中进行学习往往可能不会达到所期望的性能表现。为了减小这一差距，我们提出了模拟+非监督学习方法（Simulated+Unsupervisedlearning，S+U），任务就是通过使用非标注的真实数据来学习一个模型，从而增强模拟器输出的真实性，同时保留模拟器中的标注信息。我们开发出了一种S+U学习方法，使用类似于生成对抗网络的对抗型网络，用合成图像作为输入（而不是随机向量）。我们对标准GAN算法进行了几处关键性的修改，从而来保存标注，避免失真以及使训练稳定化：（i）一个「自正则化」项，（ii）一个局部对抗损失（localadversarialloss），以及（iii）使用改善图像的历史信息来对鉴别器进行更新。我们通过定性说明和用户研究，展示出了此结构能够生成高真实度的图像。我们通过训练视线估计（gazeestimation）和手势估计（handposeestimation）的模型对生成图像进行了定量评估。我们在使用合成图像方面展现出了显著的提升效果，并且在没有任何已标注的真实数据的情况下，在MPIIGazedataset数据集上实现了一流的结果。参考内容：[1]I.J.Goodfellow,J.Pouget-Abadie,M.Mirza,B.Xu,D.Warde-Farley,S.Ozair,A.Courville,andY.Bengio,GenerativeAdversarialNets.ProceedingsNeuralInformationProcessingSystemsConference,2014.twothousandfourteen[2]X.Zhang,Y.Sugano,M.Fritz,andA.Bulling,Appearance-basedGazeEstimationintheWild.ProceedingsComputerVisionPatternRecognitionConference,2015.twothousandfifteen[3]E.Wood,T.Baltru?aitis,L.-P.Morency,P.Robinson,andA.Bulling,LearninganAppearance-basedGazeEstimatorfromOneMillionSynthesisedImages.ProceedingsACMSymposiumonEyeTrackingResearch&Applications,2016.twothousandsixteen[4]P.Isola,J.-Y.Zhu,T.Zhou,andA.A.Efros,Image-to-ImageTranslationwithConditionalAdversarialNetworks.ArXiv,2016.twothousandsixteen[5]J.-Y.Zhu,T.Park,P.Isola,andA.A.Efros,UnpairedImage-to-ImageTranslationusingCycle-ConsistentAdversarialNetworks.ArXiv,2017.twothousandseventeen[6]M.-Y.Liu,T.Breuel,andJ.Kautz,UnsupervisedImage-to-ImageTranslationNetworks.ArXiv,2017.twothousandseventeen[7]P.Costa,A.Galdran,M.I.Meyer,M.D.Abràmoff,M.Niemeijer,A.M.Mendon?a,andA.Campilho,TowardsAdversarialRetinalImageSynthesis.ArXiv,2017.twothousandseventeen[8]M.Sela,E.Richardson,andR.Kimmel,UnrestrictedFacialGeometryReconstructionUsingImage-to-ImageTranslation.ArXiv,2017.twothousandseventeen[9]D.Lee,S.Yun,S.Choi,H.Yoo,M.-H.Yang,andS.Oh,UnsupervisedHolisticImageGenerationfromKeyLocalPatches.ArXiv,2017.twothousandseventeen[10]A.Shrivastava,T.Pfister,O.Tuzel,J.Susskind,W.Wang,R.Webb,LearningfromSimulatedandUnsupervisedImagesthroughAdversarialTraining.CVPR,2017.
声明:91.com所发布的内容均来源于互联网，目的在于传递信息，但不代表本站赞同其观点及立场，版权归属原作者，如有侵权，请联系删除。
信息也是生产力，精简才是硬道理！情报猎手带你突破信息迷雾，每日独家为您锁定最有价值的IT行业新鲜事。打开微信，扫描关注，赢取每月粉丝奖！
微博和微信：91门户您所在的位置：
&Adobe Illustrator CC 2014 for Mac官方中文版下载(AI苹果版)
点击查看大图
大小：1.63 GB
语言：简体中文
授权：共享软件
Adobe Illustrator CC for Mac软件介绍
下载吧提供的Adobe Illustrator CC 2014 for Mac官方中文版下载(Illustrator苹果版)是由Adobe公司官方专门为苹果系统Mac开发的矢量绘图工具。Adobe Illustrator CC Mac苹果版是业界标准矢量绘图环境，可在媒体间进行设计。通过形状、色彩、效果及印刷样式，展现您的创意想法。Adobe Illustrator CC 2014即使处理大型复杂的档案，也能保持速度及稳定，并且可在Adobe创意应用程式间有效率地移动设计Adobe Illustrator CC 2014 for Mac官方中文版1.实时形状(矩形和圆角矩形)所有矩形和圆角矩形都有可修改转角。每个角都可以有独立半径值，即使在缩放或旋转矩形时也会保留所有属性。矩形和圆角矩形现在会记住所有修改操作，例如宽度、高度、旋转、转角处理。此功能意味着您可以始终返回到对象的原始形状。2.钢笔工具预览和与绘图相关的增强功能钢笔工具预览在单击并移至下一点之前，钢笔工具将预览画板中绘制的内容。这有助于在移至下一点之前，可视化下一曲线，使您有更多大的控制权，并节省您绘制、预览以及重新绘制路径的时间。锚点增强功能曲线的精密调节现在更简单。在绘制时，增强的锚点控件使您可以拖动不齐或不同方向的手柄，从而控制每段的平滑度。您甚至可以更改角点为平滑，而无需改变形状。对齐更新(点、像素、网格)启用对齐功能时，您的锚点和手柄(方向线)与您选择的像素、网格、或点对齐。但是，与网格对齐的手柄会限制绘制的自由度。在 Illustrator CC 2014 中，无论您选择与什么对齐，手柄完全无限制。当手柄无需与网格对齐时，您可以更好地控制绘制过程以及编辑工作流程。具有更佳控制的闭合路径精确闭合路径等任务是多次重复的矢量图稿工作流程。在 Illustrator CC 2014 中，您可以在连接终点和起点的同时更好更精确地进行控制。此增强功能可帮助重新定位闭合点或中断手柄，从而根据您的要求精准地调整闭合曲线3.实验功能：GPU 性能(仅限 Windows)Illustrator CC 2014 可发挥计算机上图形处理器 (GPU) 的功能。在此实验阶段，具有兼容 NVIDIA 图形卡的 Windows 7 或 8 用户可以测试 GPU 性能功能。4.Typekit：缺失字体工作流程Illustrator CC 图稿中可轻松插入本机提供的字体和基于 Typekit 的字体。然而，当您在其他计算机上打开图稿时，有时会发现某些字体缺失。这种情况下，任何包含不可用字体的文本元素都将以粉红色突出显示，并使用默认字体显示。在 Illustrator CC 2014 中，可自动搜索在线 Typekit 桌面字体库以查找缺失字体。如果在线找到缺失字体，您可将其同步到您当前的计算机上。5.欢迎屏幕Illustrator CC 2014 还引入了一个新功能，以帮助您查找、学习、使用，以及进一步综合使用各种功能。欢迎屏幕是一个单独的位置，将显示与您的订阅和使用相关的内容。每次启动 Illustrator 或在单击“主页>欢迎”时，会显示该屏幕。欢迎屏幕显示 Illustrator 相关的教程、视频、交互式游戏、帮助内容以及其他内容。基于标签的方法可帮助您查找感兴趣的内容，包括新增功能、快速入门启动面板或绝妙的提示和技巧。6.其他重要增强功能铅笔工具增强功能铅笔工具已通过附加的“保真度”设置进行了更新，可更好地控制您绘制的路径。此附加级别也延伸到了“画笔”和“斑点画笔”工具。当您按下 Option/Alt 键时，还可以将“铅笔”或“画笔”工具转换为“平滑”工具。文本增强功能已增强 Illustrator CC 2014 中的文本引擎，使不同语言的文本和字体的使用体验更轻松。另外还添加了新的印刷标记，并更新了某些现有标记。动作面板重新加载已保存的“动作集”时，某些动作会导致错误。已修复这些错误的原因。在重新启动 Illustrator 时，某些动作在进行时会导致错误。此错误已修复。SVG 增强在“SVG保存选项”对话框中，默认选择“使用 textPath”复选框。这会减少生成的标记数量，使 SVG 输出文件更小。已清除生成预览 HTML 的标记。
下载吧温馨提示：
Adobe Illustrator CC 2014 for Mac 只适合苹果Mac系统，Windows系统请下载： |
Adobe Illustrator CC for Mac相关下载
Adobe Illustrator CC for Mac相关教程
Adobe Illustrator CC for Mac下载地址
291685次下载
43494次下载
1123325次下载
484955次下载
73394次下载
32166次下载
5557次下载
91014次下载
162733次下载
68833次下载
2894485次下载
2300024次下载
2225077次下载
1844373次下载
1530879次下载
1150247次下载
1123325次下载
857555次下载
709380次下载
705730次下载
热门关键字}