AI 不止 MIT 黑科技让图像秒变小视频 照片欲静而 (爱不止玫瑰)
你有想过吗?给你展示任何一张照片的时候,你看到的也许不仅仅是静止的图像,而是一段灵动的“小视频”。如今,在机器学习的帮助下,可以根据静止的照片,预测到接下来的一连串动作,准确率还相当的高。
无论是美女骑车、狗接飞盘,还是有人突然的跌倒等等,想象出这些连续的动作是我们最基本的技能之一,我们无需考虑用于预测的大量信息,比如重力、惯性和跌倒的本能反应等。那么,要让电脑学会这种预判的能力无疑是机器视觉中的一个关键挑战。
来自麻省理工学院的研究人员正在努力解决这个难题,他们已经展示出了一系列非常令人印象深刻的结果。通过使用专门训练过的神经网络,将图像转化为视频,并由计算机预测接下来会发生什么。但是,他们的模型仍然有很多局限性,视频通常只有几秒钟长,文件很小,而且图像经常很混乱。但这仍然是机器想象力方面一次令人印象深刻的创举,计算机在像人一样理解世界的道路上又前进了一步。
训练这个神经网络使用了超过 200 万个从 Flickr下载的视频片段。所有场景被分为四种类型:高尔夫球场、海滩、火车站和医院。这组连续镜头的画面很稳定,消除了相机抖动。通过这些数据,团队的神经网络不仅能够产生类似这些场景的短视频,也能根据一个静止图像产生连续的画面。这实质上是预判了接下来会发生的动作,但目前的效果还很有限,只能推测像素的变化,而不是基于整个场景的理解。
下面是效果图:
这里,我们可以看到实现后的效果,例如在海滩上,你可以看到波浪的起伏;在火车站,预测模型会预判火车行驶。然而,当要求预测某人如何穿过高尔夫球场时,结果看起来有些失真,图像也很模糊。
研究人员提到计算机的预测往往并不符合正常逻辑,但至少其对运动轨迹的判断是合理的。
机器学习系统在相关领域已经取得了许多进展,包括预测握手和拥抱等行为,甚至能够生成匹配视频的音频。Facebook 的 AI 部门负责人Yann LeCun在去年的一次采访中提到了这个话题,表示预判运动轨迹是开发预测计算机的重要一环。但是,要做到真正理解视频或图像,及其接下来可能发生的动作,还需要花费研究人员更多的精力。
“假如你正在看希区柯克的电影,这时我问,‘从现在开始的15分钟后,电影情节会发展成什么样子呢?’你此时就必须设法预判出凶手是谁。”
LeCun说:“要完全解决这个问题,就需要了解这个世界和人性,这才是真正的乐趣所在。”
人工智能在预测方面的能力已经越来越强,但要想做到更加准确、自然、符合实际的效果,还需要更加完善的模型。研究人员也许需要考虑更多的因素,建立更加复杂的神经网络,利用更多的数据集训练模型。只有这样,才有可能通过机器学习技术,真正实现对图像中的连续动作进行提前预判。
推荐阅读:
困境中的英特尔,拿什么在AI领域找回昔日尊严
在微软亚洲研究院工作是种什么体验? | 硬创公开课
原创文章,未经授权禁止转载。详情见 转载须知 。