廣州樂行機器視覺設備技術有限公司

     最近，蘋果發布了第一篇關于人工智能（AI）的學術論文——通過對抗訓練（AI）從模擬和無監督圖像中學習，主要描述了如何提高計算機視覺系統中的圖像識別能力，這也為蘋果的研究指明了一個新的方向。
    
     隨著圖形技術的發展，用合成圖像訓練機器學習模型變得越來越容易，這有助于避免注釋圖像的昂貴費用，然而，用合成圖像訓練的機器學習模型由于合成圖像與傳統的機器學習模型之間存在差異，可能無法取得滿意的效果。畢竟，為了減少這種差異，我們提出了一種模擬+無監督學習方法，通過計算機生成或合成圖像來訓練算法的圖像識別能力。
    
     實際上，這種模擬+無監督學習需要將無標記的真實圖像數據與帶注釋的合成圖像相結合，在很大程度上依賴于生成對策網絡（gan）的新機器學習技術，它可以通過對抗兩個神經網絡生成更真實的圖像，我們做了一些關鍵的修改。對標準的GAN算法進行注釋保存，避免偽影和訓練穩定性：自正則化-局部對抗丟失-使用改進的圖像升級鑒別器。
    
     我們發現，這一過程可以產生非常逼真的圖像，在質量和用戶研究方面都得到了證實。我們使用訓練模型來評估視線水平和姿態，并定量評估計算機生成的圖像。通過使用合成圖像，我們的圖像識別算法取得了很大的進步。通過使用人工圖像，我們的圖像識別算法已經取得了很大的進步。盡管使用任何標準的真實數據，我們在MPiGaze數據集中獲得了最高級別的結果。
    
     隨著高容量深度神經學習網絡的興起，大規模的標簽訓練數據集變得越來越重要，然而，大量的標準數據集是非常昂貴和耗時的，因此，使用合成而非真實圖像訓練算法的想法開始出現，作為注釋。使用Xbox360外圍Kinect來評估人體姿勢和其他任務是使用合成數據完成的。
    
     （圖1：模擬+無監督學習：通過計算機生成或合成圖像來訓練算法的圖像識別能力）
    
     然而，由于合成圖像與真實圖像之間的差距，在使用合成圖像訓練算法時可能存在許多問題，由于合成圖像通常不夠真實，神經網絡學習只能理解合成圖像的細節，不能完全識別真實圖像，因而不能提供準確度。為算法進行ATE學習。一種解決方案是改進模擬器，但增加真實性的計算往往非常昂貴，渲染器的設計也更加困難。此外，即使是最先進的渲染器也可能無法模仿真實圖像中的所有特征。因此，缺乏真實性可能導致OV人工合成圖像中不真實細節的擬合。