211service.com
Nevralt nettverk lærer å syntetisk eldes ansikter, og få dem til å se yngre ut også
Måten vi eldes på er dypt fascinerende. Faktisk, å vite hvordan ansiktene våre vil se ut om 20, 30 eller 40 år er et triks som mange vil finne fengslende.
Det finnes en rekke teknikker som kan gjøre dette. Men de er tidkrevende og derfor dyre. Så en billig og rask måte å elde ansikter på bilder ville være et hendig triks.
Gå inn i Grigory Antipov fra Orange Labs i Frankrike og et par venner som har utviklet en dyplæringsmaskin som kan gjøre jobben med letthet. Ikke bare kan systemet deres få unge ansikter til å se eldre ut, det kan få eldre ansikter til å se yngre ut.
Et par nyere utviklinger har gjort oppgaven deres enklere. De siste årene har informatikere bygget dyplæringsmaskiner som er i stand til å modifisere ansikter på forskjellige, men realistiske måter. Denne tilnærmingen kan skape realistiske syntetiske ansikter som ser eldre ut.
Det er imidlertid et problem. Ved å få ansikter til å se eldre ut, mister disse dyplæringsmaskinene ofte personens identitet i prosessen. Så individet ser eldre ut, men kan ikke lenger identifiseres.
Antipov og co har kommet opp med en måte å løse det problemet på. Tilnærmingen deres involverer to dyplæringsmaskiner som fungerer sammen – en ansiktsgenerator og en ansiktsdiskriminator. Begge maskinene lærer hvordan ansikter ser ut når de blir eldre ved å analysere fotografier av personer i aldersgruppene 0-18, 19-29, 30-39, 40-49, 50-59 og 60+ år.
Totalt ble maskinene trent på 5000 ansikter i hver gruppe hentet fra Internet Movie Database og fra Wikipedia og deretter merket med personens alder. På denne måten lærer maskinen den karakteristiske signaturen til ansikter i hver aldersgruppe. Det er denne abstrakte signaturen som ansiktsgeneratoren deretter kan bruke på andre ansikter for å få dem til å se like gamle ut.
Imidlertid kan bruk av denne signaturen noen ganger føre til at en persons identitet går tapt. Så den andre dyplæringsmaskinen – ansiktsdiskriminatoren – ser på det syntetisk aldrende ansiktet for å se om den opprinnelige identiteten fortsatt kan plukkes ut. Hvis det ikke kan, blir bildet avvist.
Antipov og co kaller prosessen deres Age Conditional Generative Adversarial Network – motstridende fordi dyplæringsmaskinene jobber i opposisjon.
Resultatene gir imponerende lesning. Teamet brukte teknikken på 10 000 ansikter fra IMDB-Wikipedia-databasen som de ikke hadde brukt til trening. De testet så før- og etterbildene ved hjelp av programvare kalt OpenFace som kan fortelle om to bilder viser samme person eller ikke. Dette oppdaget det samme ansiktet mer enn 80 prosent av tiden, sammenlignet med omtrent 50 prosent av tiden for andre ansiktsaldringsteknikker.
Og selvfølgelig elder teknikken ikke bare unge ansikter, men skaper også yngre versjoner av eldre ansikter.
Det er en åpenbar test laget ikke har gjort. Antagelig er det mulig å sammenligne ansikter som har blitt gjort yngre syntetisk med bilder av det samme ansiktet tatt da personen faktisk var yngre. Det ville vært en god test på hvor nøyaktig teknikken er og kanskje en oppgave for fremtiden.
Antipov og co sier teknikken deres kan brukes i applikasjoner som å hjelpe med å identifisere personer som har vært savnet i mange år. Det kan også være mye moro å leke med, hvis de velger å offentliggjøre algoritmen sin.
Ref: arxiv.org/abs/1702.01983 : Ansiktsaldring med betingede generative motstandsnettverk