Sau Apple đã quyết định cho phép các nhà nghiên cứu của mình chia sẻ công khai những phát hiện của họ, bài báo học thuật đầu tiên của họ đã được xuất bản vào cuối năm ngoái. Giờ đây, nghiên cứu đó vừa giành được “Giải thưởng bài báo hay nhất” tại một hội nghị máy tính và thị giác máy tính có uy tín.
Bài báo học thuật đầu tiên được xuất bản liên quan đến Apple đã được Học từ Hình ảnh Mô phỏng và Không được Giám sát thông qua Đào tạo Đối phương bởi Ashish Shrivastava, Tomas Pfister, Oncel Tuzel, Josh Susskind, Wenda Wang, Russ Webb Apple Inc. Có thể tìm thấy toàn bộ tài liệu tại đây.
Nghiên cứu về AI này đã được đệ trình lên CVPR (Hội nghị về Thị giác Máy tính & Nhận dạng Mẫu), được coi là một trong những nghiên cứu nổi bật và có ảnh hưởng nhất trong các hội nghị trong lĩnh vực này.
Hãy nhớ rằng điều này là Applecông bố đầu tiên của nghiên cứu của nó và là một trong những 2, 600 bài nộp cho CVPR 2017 và nó đã giành được Giải thưởng Bài báo hay nhất (cùng với một bài nộp khác), một thành tích khá ấn tượng!
Tháng trước chúng ta đã thấy Apple nỗ lực hơn nữa để xuất bản nghiên cứu của mình với việc ra mắt Apple Tạp chí Máy học. Tuần này, chúng ta cũng đã thấy ba bài đăng trên tạp chí mới sẽ được trình bày tại Interspeech 2017 ở Stockholm trong tuần này. Một phần đặc biệt thú vị là so sánh lấy mẫu âm thanh của Siri từ iOS 9, 10 và 11 (được tìm thấy ở cuối Tập. 4).
Nếu bạn tò mò về AppleBài báo nghiên cứu từng đoạt giải thưởng, nhưng không muốn đi sâu vào toàn bộ vấn đề, đây là Tóm tắt:
“Với tiến bộ gần đây trong đồ họa, việc đào tạo các mô hình trên các hình ảnh tổng hợp đã trở nên dễ dàng hơn, tránh được sự cần thiết của các chú thích đắt tiền. Tuy nhiên, việc học từ các hình ảnh tổng hợp có thể không đạt được hiệu suất mong muốn do khoảng cách giữa tổng hợp và phân phối hình ảnh thực. Để giảm khoảng cách này, chúng tôi đưa ra phương pháp học Mô phỏng + Không giám sát (S + U), trong đó nhiệm vụ là tìm hiểu một mô hình để cải thiện tính hiện thực của đầu ra của trình mô phỏng bằng cách sử dụng dữ liệu thực không được gắn nhãn, trong khi vẫn bảo toàn thông tin chú thích từ mô phỏng. Chúng tôi phát triển một phương pháp học S + U sử dụng mạng đối địch tương tự như Mạng đối phương chung (GAN), nhưng với hình ảnh tổng hợp làm đầu vào thay vì vectơ ngẫu nhiên. Chúng tôi thực hiện một số sửa đổi chính cho GAN tiêu chuẩn thuật toán để bảo toàn ký hiệu, tránh tạo tác và ổn định đào tạo: (i) thuật ngữ ‘tự chính quy hóa’, (ii) tổn thất đối thủ cục bộ và (iii) cập nhật bộ phân biệt bằng cách sử dụng lịch sử của ima đã được tinh chế ges. Chúng tôi cho thấy rằng điều này cho phép tạo ra những hình ảnh có độ chân thực cao, mà chúng tôi chứng minh cả về mặt chất lượng và bằng một nghiên cứu người dùng. Chúng tôi đánh giá định lượng các hình ảnh được tạo ra bằng cách đào tạo các mô hình để ước lượng ánh nhìn và ước lượng tư thế tay. Chúng tôi cho thấy sự cải thiện đáng kể so với việc sử dụng hình ảnh tổng hợp và đạt được kết quả hiện đại trên tập dữ liệu MPIIGaze mà không có bất kỳ dữ liệu thực nào được dán nhãn. “
Nguồn: 9to5mac
