Применение Deep Learning

Deep Learning занимает важнейшую роль в обществе в различных сферах деятельности и стоит в основе практически всех главных вычислительных прорывов последних нескольких лет. Сегодня сила Deep Learning помогает компьютерам превзойти способности человека.

В своей предыдущей статье я рассказала о некоторых способах применения Deep Learning — Machine Learning. Так что в данной статье я дополню этот список новыми сферами применения глубокого обучения.

1. Создание фейковых новостей

The University of Washington обучил Рекуррентную нейронную сеть (RNN) делать фейковые видео выступлений бывшего президента Барака Обамы. Это демонстрирует способность людей использовать Deep Learning для распространения фейковых новостей, и нам определенно стоит помнить об этом в будущем.


2. Выявление текста (Text detection)

В последнее десятилетие разработчики компьютерного зрения уделяли много внимания проблемам выявления и распознавания текста в изображениях. Text detection можно разделить на три вида:

  • Текст в документе
  • Графический текст
  • Оптическое распознавание символов (Optical Сharacter Recognition)

3. Восстановление цветов черно-белых фото и видео

Deep Learning может использоваться для колоризации черно-белых изображений.

«В видео содержится много избыточной информации между кадрами. Такая избыточность была хорошо изучена в сжатии и кодировке видео, но очень мало рассматривалась для более продвинутой видеообработки, такой как колоризация видео». — Sifei Liu.

Черно-белые фото конвертированы в цветной формат

 

4. Расчет поз нескольких людей в реальном времени

Сети Deep Learning теперь могут очень помочь иллюстраторам в расчете поз людей.

5. Изменение взглядов людей на фото

В случаях видеоконференций и в других ситуациях переговоров по видеосвязи, участники смотрят на презентацию, а не в камеру. Из-за чего взгляд отрывается от собеседника и теряется зрительный контакт. Сеть Deep Learning изменяет взгляд человека.

6. Сочинение музыки

Распознавание голоса может аналогичным способом использоваться в сети Deep Learning, чтобы создавать музыкальные композиции.

7. Перенос стилей с картин

Перенос стиля с одного изображения на другое можно рассматривать с точки зрения переноса текстуры. При переносе текстуры задача — заимствовать текстуру картинки-источника, избегая слияния, чтобы сохранить семантическое содержание конечного изображения.

Заключение

Я думаю, Deep Learning может кардинально изменить взгляд на дальнейшее развитие, в том смысле, что в будущем мы будем разрабатывать не безупречный или очень производительный софт, но такой, который будет изучать и чувствовать то, что мы делаем. Надеюсь, вам понравилась статья о применении Deep Learning.

 

Ссылки

 

Источник

Поделиться записью
Вверх