|
我发现论文写得很不错。它遵循了吴恩达深度学习课程的“圣约”，上完他的课可以把论文写得更艺术品似的（术语，公式，惯例）。 “视觉图灵测试”（visual Turing test）非常有意思（人类是否可以区分真实和仿真的图片）。这个样本规模（p-value，对于他们的问题）是相当小的（10个参与者，每个100张图片）。 我很好奇是否有志愿者（就像HealthKit）帮助自动化类型的评估。你可能需要Recaptcha-style服务表示你的仿真足够真实。 论文的第一作者是苹果研究员Ashish Shrivastava，从LinkedIn可以看到他是马里兰大学帕克学院（University of Maryland，College Park）计算机视觉的博士。论文其它合作者是包括苹果的Tomas Pfister，Oncel Tuzel，Wenda Wang，Russ Webb和Josh Susskind，他们联合创立了AI公司Emotient。这个公司年初被苹果收购，是做面部表情识别的。 苹果的第一篇AI论文标志着苹果的一大步。好多年来，atv直播，人工智能研究社区批评苹果的保密。它的保密性甚至损害了对AI人才的招聘。更多地向社区开放，对苹果推进AI软件的进步和在技术领域的传播非常重要。AI软件在苹果运作中数据中心的、最新iPhone服务中变得特别关键。
图1：模拟+无监督（S + U）学习。任务是学习一个模型，能够改进合成图像的真实性同时保留标注信息，合成图像来自使用未标记的真实数据的模拟器。
图2. SimGAN概览。我们使用一个refiner神经网络R来最小化局部对抗损失和一个“自正则化”项（selfregularization term）的组合，atv，以改进模拟器的输出。这个对抗损失会欺骗判别器网络D，D用于区分图像是真实图像还是改进后的图像。自正则化项能够将合成图像和改进后的图像之间的差异最小化。该方法同时保留了标注信息（例如，眼睛凝视的方向），是得改进后的图像可以用于训练机器学习模型。refiner网络R和判别器网络D交替更新。
图3.局部对抗损失（ local adversarial loss）图示。判别器网络输出w×h的概率图，对抗损失函数是局部patch上的交叉熵损失（cross-entropy losses ）的和。
图4：使用改进后图像训练模型的图示
图5. 使用UnityEyes数据集的SimGAN的输出示例。（左）来自MPIIGaze的真实图像。我们的网络在训练时不使用来自MPIIGaze数据集的任何标注信息。（右）UnityEye数据集的精细化结果。图像中的皮肤纹理和虹膜区域得到改进，质量上更像真实图像而不是合成图像。
图6：带有两个n×n卷积层的ResNet模块，每个模块具有f个特征图。
图7：使用局部对抗损失的重要性
图8：使用NYU手势数据集的精细化测试示例。（左）真实图像，（右）合成图像 编译来源 福布斯：#110c06b24cfe 论文链接：Learning from Simulated and Unsupervised Images through Adversarial Training https://arxiv.org/abs/1612.07828 责编：XJ 新智元招聘 职位 运营总监 职位年薪：36- 50万（工资+奖金） 工作地点：北京-海淀区 所属部门：运营部 汇报对象：COO 下属人数：2人 年龄要求：25 岁 至 35 岁 性别要求：不限 工作年限：3 年以上 语 言：英语6级（海外留学背景优先） 职位描述 负责大型会展赞助商及参展商拓展、挖掘潜在客户等工作，人工智能及机器人产业方向 擅长开拓市场，并与潜在客户建立良好的人际关系 深度了解人工智能及机器人产业及相关市场状况，随时掌握市场动态 主动协调部门之间项目合作，组织好跨部门间的合作，具备良好的影响力 带领团队完成营业额目标，并监控管理项目状况 负责公司平台运营方面的战略计划、合作计划的制定与实施 岗位要求 大学本科以上学历，硕士优先，要求有较高英语沟通能力 3年以上商务拓展经验，有团队管理经验，熟悉商务部门整体管理工作 对传统全案公关、传统整合传播整体方案、策略性整体方案有深邃见解 具有敏锐的市场洞察力和精确的客户分析能力、较强的团队统筹管理能力 (责任编辑：本港台直播) |
