wordpress数据量大网站访问,石家庄网站建设招商,深圳宝安区详细地图,东莞市建设厅官方网站本文转自公众号#xff1a;新智元一千个人眼中有一千个哈姆雷特。由于主观差异#xff0c;人类的审美有千万种。对于个人偏好的观察#xff0c;人类尚且还需要思考揣摩#xff0c;何况是机器#xff0c;如何做到呢#xff1f;但最近赫尔辛基大学和哥本哈根大学的一个研究… 本文转自公众号新智元一千个人眼中有一千个哈姆雷特。 由于主观差异人类的审美有千万种。 对于个人偏好的观察人类尚且还需要思考揣摩何况是机器如何做到呢 但最近赫尔辛基大学和哥本哈根大学的一个研究结果证明AI明白你想要的美。 这项实验通过创作新的人像定制符合个人审美偏好的面孔。 对一些客观性的认识比如金发碧眼、是否微笑这些外貌特征计算机模型可以快速识别但是吸引力就不同了它跟文化和心理因素有关而且这些因素在我们的审美观众往往是一种无意识的存在。 研究人员使用人工智能来解读大脑信号并将脑机接口和生成的人脸模型相结合。 窥探大脑get你的审美 实验中研究人员利用生成对抗神经网络(GAN)创建了几百幅人工肖像。并把这些图像一次一张展示给30名受试者并要求他们注意那些他们自己认为有吸引力的肖像。 与此同时研究人员会通过脑电图记录他们的大脑反应。 这就像约会APP Tinder看到喜欢的面孔可以「向右滑」。不过在这个实验中受试者不需要做任何事情只需要看图片就行了研究人员会记录他们大脑最直接的反应。 然后研究人员利用机器学习技术分析脑电波数据通过脑机接口神经网络将脑电波数据连接到生成神经网络。 像这样的脑机接口可以解读用户对一系列图片「是否有吸引力、哪些方面有吸引力」的看法。通过解读他们的观点解读大脑反应的人工智能模型和生成神经网络模拟脸部图像就可以通过结合个体偏好产生一个全新的脸部图像。 为了测试这一模型的有效性研究人员为每个参与者都生成了新肖像预测他们会发现这些图像对其个人的吸引点。通过双盲测试他们发现新的图像与受试者的偏好匹配「准确率超过80%」 。 这项研究表明通过将人工神经网络与大脑反应联系起来我们能够生成符合个人偏好的图像。 能够实现对个人吸引点的评估是非常重要的因为这其中包含了太多个人审美的不同特点。 到目前为止计算机视觉在基于客观模式的图像分类方面已经非常成功。 通过引入大脑对复杂审美的反应这项实验证明了基于心理属性如个人味觉等检测和生成图像是可能的。 最终通过人工智能解决方案和脑机接口之间的交互提高计算机学习和理解主观偏好的能力这项研究可能对社会有益。 如果人工智能可以辨别吸引力这样主观的因素那么未来还可以研究其他认知功能如感知和决策。 我们或许可以通过人工智能模型来识别「刻板印象或潜在偏见」从而更好地理解个体差异。 此前研究用AI检测你想要的东西 该研究团队此前研究发现可以利用人工智能同时模拟计算机对信息和大脑信号的呈现。 研究人员利用神经适应性生成模型在31名参与者中实验了这项技术。 实验中研究人员向参与者展示了数百张由人工智能生成的不同面貌的人的图像同时记录了他们的脑电图。 参与者要集中注意力观察某些特征比如看起来很老或者面带微笑等。 当观看一系列快速呈现的人脸图像时受试者的脑电图被输入到神经网络中神经网络可以推断是否有任何图像被大脑检测到来匹配受试者正在寻找的东西。 基于这些信息神经网络根据人们想到的人脸类型进行自适应估计。最后计算机生成的图像被参与者评估它们几乎完全符合参与者所想的特征。实验的准确率为83% 。 这项技术结合了人类的自然反应和计算机创造新信息的能力。 在实验中参与者只被要求看电脑生成的图像。反过来计算机利用人脑的反应来模拟显示的图像和人类对图像的反应。由此计算机可以创建一个全新的图像来「匹配」用户的意图。 这项技术可以用于增强人类的创造力想画什么东西或表达什么但是一时无法做到就可以利用这一模型进行预测它理解感知大脑中潜在的过程。 但是这种技术「不识别思想」而是对我们与心理类别的联系做出反应。 比如虽然我们不能找出参与者所想的某个特定的「老人」的身份但我们可以了解他们与「老年」的联系。因此这项技术可以提供一种新的方式来洞察社交、认知和情感过程。 从客观到主观研究人员对大脑活动的研究越来越深入快救救我「大脑短路」吧 参考资料https://techxplore.com/news/2020-09-thoughts-images-based.htmlhttps://techxplore.com/news/2021-03-beauty-brain-ai-personally-images.html未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市云脑研究计划构建互联网城市云脑技术和企业图谱为提升企业行业与城市的智能水平服务。 如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
