APP下载

人工智能研究的新前线:生成式对抗网络

2018-12-20刘明明

移动信息 2018年8期
关键词:图像人工智能文本

刘明明



人工智能研究的新前线:生成式对抗网络

刘明明

武警工程大学密码工程学院,陕西 西安 710086

得益于计算能力的提高、信息化工具的普及以及数据量的积累,人工智能研究的迫切性和可行性都大为提高,近些年来实现了一系列新突破和新应用,并获得了可观的收益。这些企业获得的成功进一步带动了机器学习的研究热度,使得人工智能的研究进入了一个新的高潮时期。对人工智能研究的新方法——生成式对抗网络进行了分析和研究,为其进一步发展打下坚实的基础。

生成式对抗网络;人工智能;研究

引言

近年来,很多学者开始尝试以对抗网络进行人工智能方面的研究,而且已成为该领域的研究热点。该方法是受到运筹学相关理论的影响而逐步形成的,属于一种全局概率收缩。国内外很多学者都开始在人工智能研究中应用对抗网络,而且取得的成果也是十分可喜的。然而,由于基于对抗网络的测试要求全部数据都需要运行,进而实现对测试数据性能的有效分析,这就导致耗费的时间较长[1]。

1 人工智能的发展特征分析

一是信息量大。根据统计,人工智能范畴内每天产生的内容可以制作成2亿张光盘。这些人工智能数据表明在互联网时代,社交网络和移动互联网络已把人们的信息量扩大了很多。人工智能数据的大不仅是信息量大,而且信息也非常全面。很多信息都可以使用计算机来集聚,使其满足分析的需求。

二是多样化程度高。目前,人工智能数据类型已经不仅是文本形式,而且存在有大量的图片、音频等超文本信息。从结构上来看,人工智能数据的结构变化多样,很多人工智能数据的结构并不是传统的结构化人工智能数据,因此需要采用更高效的技术手段和硬件设备来对其进行处理,才能够更好地读取这些人工智能数据当中所蕴藏的价值[2]。

三是人工智能数据价值大。网络每天都会产生大量有价值的信息和一些噪声信息。这些原始信息中所含的核心内容还是很少的。人们需要在大量的人工智能数据中进行寻找,才能够找到自己真正需要的。如何采用更好的算法来对其进行人工智能数据的挖掘,将人工智能数据当中有用的信息提取出来是目前人工智能数据研究领域当中非常重要的一个课题[3]。

四是速度快。人工智能数据的产生速度是非常快的,在金融、证券等多个领域,需要及时进行传输,需要对其进行较快的处理和分析。信息如果没有被实时挖掘,就可能成为无效信息。如何采用更有效的算法来传输信息是非常关键的。提升人工智能数据的处理效率有利于社会的进一步发展。

2 生成式对抗网络探究

2.1 生成式对抗网络概述

生成式对抗网络的主要思想是设置一个零和博弈,通过两个玩家的对抗实现学习。博弈中的一名玩家称为生成器,它的主要工作是生成样本,并尽量使得其看上去与训练样本一致。另外一名玩家称为判别器。生成式对抗网络的训练过程类似于伪钞制造者尽可能地提高伪钞制作水平以骗过警察,而警察则不断提高鉴别能力以识别伪钞。随着生成式对抗网络的不断训练,伪钞制造者与警察的能力都会不断提高[4]。通过整个过程,不断提升判别器的性能,有利于对图像文本等信息进行进一步的特征提取与挖掘,使其特征更加清晰地展示出来,从而提升准确率。

2.2 生成式对抗网络的应用

2.2.1 网络数据流分析

利用生成式对抗网络对用户产生的视频网络数据进行科学分析是非常重要的技术。分析网络数据的前提是保存和挖掘数据流。网络数据流指的是通过互联网爬虫等方式研究网上的主题以及相应的传播情况。这种技术的主要问题是只有具备较好的准确性,才能够避免信息的重复和冗杂,同时生成式对抗网络实时性只有非常好,才能够更好地捕捉到热点。对突发事件进行处理,人们很多时候是通过历史数据来进行数据分析的,但是有时候这样的分析并不具有科学性,因为很多信息的变化趋势并不是按照传统的信息流进行传递的,因此需要借助计算机强大的运算力进行优化。

2.2.2 短文本信息挖解决

短文本是受到广泛关注的信息形式。利用生成式对抗网络可以获得大量信息,但很多时候文本中也包含很多垃圾信息,因此用户产生的一些信息并不都是有必要被采集的,我们需要做好转文本的分析和挖掘工作。只有排除重要性程度较低的信息,才能高效率地收集与推送信息。通过对抗网络的逐次逼近来优化策略,越来越接近于实际的需求,这样就可以得到最优的指标。通常情况是用两个神经网络优化控制函数,这样就能有效地分析文本分析问题中的信息特征。

2.2.3 可视化数据技术

可视化数据非常多。很多媒体在图像上进行关键词的标注,利用生成式对抗网络提取图像的特征,把图像转换为文本,也将一些文本转换为图像描述。这样就将数据进行了可视化,对于数据挖掘分析来说是极为关键的。可视化数据技术可以融合信息,做到信息较高层次的匹配,使信息的可用程度更强[3]。

2.2.4 工业图像分析

在以往的工业生产中,超声波、红外灯无线传感器测距定位的方法被广泛应用于各种工业现场。虽然这种方法经过长时间的广泛应用技术已十分成熟,但是这种固定线路的测距定位往往十分笨拙,可变性差。近些年来,国内外许多专家学者利用智能装备,结合生成式对抗网络的理论和在各个领域的实际应用进行了相关研究,研究成果丰硕。因此在如今的科学技术下,将机器视觉引入工业生产领域已成为可能。通过Python脚本语言编程来实现控制摄像头聚焦判断工业设备空间位置信息、提取数据特征和颜色追踪以及引导火控计算机追踪物体等功能。这使得OpenCV可以快速获得图像信息,并使得生成式对抗网络定位系统可以得到更多的位置信息,然而在生成式对抗网络实际应用中,由于工作环境处于室外,从早上开工到下午工作结束环境光强度变化明显且极易受环境影响。生成式对抗网络法是一种利用Tag标记粘贴到物体进而判断物体距离的方法,所以极易因环境光线强度的变化而失效。在实验过程中,环境光的变化会直接导致黑白像素差的减少,标志位识别出错。如果贸然将其应用在生成式对抗网络上,就很可能会定位失败。因此也可以使用摄像头可视角度测距法作为环境光较弱时生成式对抗网络法失效时的替代方案。

3 总结

在生成式对抗网络的运行中,我们需要解决项目的维护和运行中存在的问题,管理好系统的验收工作,对系统的运行质量负责。做好整个项目过程中的抗干扰管理,在调研系统需求中就要进行风险识别,提前预测与解决可能出现的问题,以便取得较好的效果。

[1]孙玉强,彭磊,李慧云. 基于循环生成式对抗网络实现停车场时空数据的修复[J]. 集成技术,2018(6):1-2.

[2]冯浩. 基于Maximum Mean Discrepancy的生成式对抗网络研究[D]. 上海:华东师范大学,2018.

[3]尹传龙. 基于深度学习的网络异常检测技术研究[D].郑州:中国人民解放军战略支援部队信息工程大学,2018.

[4]张卫,马丽,黄金. 基于生成式对抗网络的人脸识别开发[J]. 电子世界,2017(20):164-165.

New Frontiers in Artificial Intelligence Research:Generative Adversarial Networks

Liu Mingming

School of Cryptography, Engineering University of PAP, Shaanxi Xi’an 710086

Thanks to the improvement of computing power,the popularization of information tools and the accumulation of data, the urgency and feasibility of artificial intelligence research has been greatly improved. In recent years, a series of new breakthroughs and new applications have been realized. The success of these companies has further stimulated the research of machine learning, which has brought the research of artificial intelligence to a new climax. The paper analyzes and studies generative adversarial networks, a new method of artificial intelligence research, and lays a solid foundation for its further development.

generative adversarial networks; artificial intelligence; study

TN912.35

A

刘明明(1992—),男,汉族,山东五莲人,研究生学历,研究方向为信息隐藏、生成对抗网络。

猜你喜欢

图像人工智能文本
文本联读学概括 细致观察促写作
基于生成对抗网络的CT图像生成
浅析p-V图像中的两个疑难问题
巧用图像中的点、线、面解题
初中群文阅读的文本选择及组织
作为“文本链”的元电影
2019:人工智能
人工智能与就业
数读人工智能
下一幕,人工智能!