As Redes Generativas Adversárias, popularmente conhecida como GANs, é uma técnica de aprendizado de máquina não supervisionada e de aprendizado profundo, proposta no ano de 2014 por meio de um trabalho de pesquisa acadêmico. Trata-se de uma abordagem para modelagem generativa usando métodos de aprendizado profundo, como redes neurais convolucionais.
Se você quer saber o que são redes GAN e como elas são usadas na produção de imagens, se liga neste conteúdo!
LEIA TAMBÉM:
Como funciona e o que são GAN Network?
A modelagem generativa é uma tarefa de aprendizado não supervisionado em aprendizado de máquina que envolve, basicamente, descobrir e aprender automaticamente as regularidades ou padrões nos dados de entrada.
Isso acontece de tal forma que o modelo possa ser utilizado para gerar ou produzir novos exemplos que plausivelmente poderiam ter sido extraídos do conjunto de dados original.
Por exemplo, se você alimentar o tipo certo de rede neural com uma grande coleção de imagens e disser quais mostram cachorros e quais não, ela pode eventualmente aprender a discriminar por conta própria quais novas imagens não rotuladas são gatos e quais não são.
Uma rede GAN pode ser pensada como um par de redes neurais concorrentes: um gerador G e um discriminador D. O gerador recebe como entrada um ruído aleatório amostrado de alguma distribuição e tenta, desse modo, gerar novos dados destinados a se assemelhar com dados reais. A rede discriminadora tenta discernir dados reais de dados gerados.
À medida em que a rede discriminadora melhora sua capacidade de classificar corretamente os dados, os metadados são enviados de volta (ou “repropagados”) à rede geradora para ajudá-la a fazer um trabalho melhor ao tentar enganar a rede discriminadora.
O pioneiro do aprendizado profundo e diretor de Inteligência Artificial do Facebook, Yann Lecun, chegou a afirmar que os GANs Networks foram “a ideia mais legal em aprendizado profundo nos últimos 20 anos”.
Alguns pesquisadores de universidades e corporações pelo mundo afora passaram a criar variações de GANs que executam novas classes de tarefas. Por exemplo, GANs condicionais fornecem informações adicionais para um gerador e seu parceiro discriminador, impondo condições à imagem gerada.
Nos exemplos a seguir fornecidos em um paper escrito por pesquisadores do Berkeley AI Research Laboratory, o gerador criou uma versão colorida de uma imagem existente e uma visão noturna de uma imagem diurna:
Alguns dos mesmos pesquisadores de Berkeley também desenvolveram uma tecnologia chamada Cycle GANs, no qual as tais imagens geradas podem acontecer em ambas as direções – por exemplo, converter uma imagem de cavalo para parecer uma zebra e vice-versa, confira abaixo:
GANs Network em projetos da Pix Force
Nossos researchers da Pix Force vem explorando várias maneiras de aplicar GANs para nossos clientes. Eis abaixo algumas delas:
- Maneiras de utilizar GAN’s de ciclo condicional para o mapeamento entre imagens visuais e imagens infravermelhas
- Melhoria considerável da resolução de imagens aéreas
- Rotulação de texto com tags semânticas
- Geração de texto pertencente a categorias semânticas específicas
As duas últimas categorias são especialmente interessantes porque a maioria das discussões sobre GAN’s gira em torno da geração de imagens, mas essas técnicas também podem ser aplicadas a outros tipos de dados. As redes GANs oferecem muitas possibilidades interessantes! Entre em contato com a gente!
