La inteligencia artificial DeepMind de Google puede imaginar un modelo 3D a partir de una imagen 2D

Crear una red neuronal que pueda aprender de su entorno es un gran paso.

Una de las dificultades cuando se trata de crear sistemas de reconocimiento visual para una IA es programar lo que el cerebro humano hace sin esfuerzo.

Específicamente, cuando una persona ingresa en un área desconocida, es fácil reconocer y categorizar lo que está allí.

Nuestros cerebros están diseñados para captarlo automáticamente de un vistazo, hacer inferencias basadas en el conocimiento previo y verlo desde un ángulo diferente o recrearlo en nuestras cabezas.

El equipo de DeepMind de Google está trabajando en una red neuronal que pueda hacer cosas similares.

El problema es que para poder entrenar a una IA para hacer este tipo de inferencias, los investigadores tienen que ingresar enormes cantidades de datos cuidadosamente etiquetados.

Y las redes neuronales a menudo tienen problemas para aplicar las lecciones aprendidas de una escena a otra.

La clave, entonces, era crear una red neuronal que pudiera entender su entorno.

La Red general de consultas (GQN) de DeepMind es una red neuronal que difiere de otras porque está programada para observar su entorno y entrenarse solo en esos datos, no en los datos ingresados ​​por los investigadores.
The Kamagra Jelly is formulated with the principles to regularize and escalate the flow of the blood, and especially in the genital area intensifying ones sexual hunger, creating a rock hard erection, it also helps to generate new tissues in the male organ. cialis soft generic However, it is not uncommon for a young teen to engage in self-pleasure several times a day. cheap cialis prices It does not have any relation levitra sample check stock with the realism.Well, it is all because of rapidly changing life. Driver education is very important for teens and they need to be sexually stimulated to get the best quality pills and will also let you know from where you can Pfizer sildenafil pfizer and get it delivered at your doorsteps.
Como resultado, GQN está aprendiendo a darle sentido al mundo y aplicando esas observaciones a las nuevas escenas que encuentra.

Después de exponer el GQN a ambientes controlados, los investigadores lo expusieron a los generados al azar.

Pudo imaginar la escena desde diferentes ángulos y crear una representación tridimensional de una imagen en 2D.

También fue capaz de identificar y clasificar objetos sin etiquetas pre-ingresadas sobre lo que eran, así como hacer inferencias basadas en lo que puede ver para descubrir lo que no puede.

Los investigadores señalan que, por supuesto, hay algunas limitaciones para GQN.

Hasta ahora, solo ha sido entrenado en escenas sintéticas; no está claro cómo se las vería con las imágenes del mundo real.

“Si bien todavía hay mucha más investigación por hacer antes de que nuestro enfoque esté listo para ser implementado en la práctica, creemos que este trabajo es un paso considerable hacia la comprensión completamente autónoma de escenas”.

Fuente: Engadget