Search Results A

機械学習モデルの説明可能性：AIシステムへの信頼と理解の向上

AIを倫理的で信頼性のある方法で利用するためには、研究者はモデルの複雑さと解釈の容易さをバランスさせるための方法論の開発を続ける必要があります

「組織内で責任ある効果的なAI駆動文化を作るための5つの方法」

人々が準備ができているかどうかに関係なく、AIはいつかやってくるのではなく、すでにここに存在しています多くの組織やNGOなどからの報告によると、AIは市場を変革する可能性がありますしかし、あなたができることは、市場の変化に対応するために学び、会社を準備することです...

「ODSC APAC 2023の最初のセッションが発表されました」

8月22日から23日にかけてバーチャルで開催されるODSC APACまで、あとわずか数週間です私たちは、カンファレンスセッションの一部をお見せできることをとても楽しみにしていますあなたの経験レベルに関係なく、専門家によるワークショップ、チュートリアル、講演があります以下をチェックしてくださいデータ駆動型のワークフォースの構築...

APAC 2023

サムスンのAI研究者が、ニューラルヘアカットを紹介しましたこれは、ビデオや画像から人間の髪の毛のストランドベースのジオメトリを再構築するための新しいAI手法です

サムスンAIセンター、Rockstar Games、FAU Erlangen-Nurnberg、およびCinemersive Labsの研究者たちは、写真やビデオフレームのいくつかのビューから人間の髪を抽出することができる画像ベースのモデリングのための新しい技術を提案しています。髪の再構築は、非常に複雑な幾何学、物理学、反射を持つため、人間の3Dモデリングにおける最も困難なタスクの1つです。それにもかかわらず、ゲーム、遠隔会議、特殊効果を含む多くのアプリケーションにとって重要です。3Dポリラインまたはストランドは、コンピュータグラフィックスで髪を描写する最も一般的な方法です。これらは物理モデリングやリアルなレンダリングに使用できます。現代の画像およびビデオベースの人間再構築システムは、より少ない自由度を持つデータ構造を使用して髪型をシミュレートすることがよくあり、これにより推定が簡単になります。これにはボリューメトリックな表現やセットされたトポロジを持つメッシュなどが含まれます。その結果、これらの技術はしばしば過度に滑らかな髪のジオメトリを生成し、ヘアスタイルのコア構造を捉えることはできません。光ステージ、制御された照明装置、および同期カメラを備えた密なキャプチャシステムを使用すると、正確なストランドベースの髪の再構築が可能です。最近では、整理されたまたは一貫した照明とカメラキャリブレーションに依存して再構築プロセスを高速化することで、驚くべき結果が得られました。最新の取り組みでは、髪の成長方向に関するフレームごとの手動注釈も使用して、物理的に信頼性のある再構築を行っています。複雑なキャプチャセットアップと労力のかかる前処理の要件により、これらの技術は優れた品質にもかかわらず、多くの実用的なアプリケーションでは実用的ではありません。図1: 提案された2段階プロセスヘアスタイルモデリングのためのいくつかの学習ベースのアルゴリズムは、ストランドベースの合成データから発見されたヘアプライオリを使用して取得プロセスを高速化します。しかし、訓練データセットの量はこれらのアプローチの精度の自然な決定要因です。既存のデータセットのほとんどは数百のサンプルしか含んでいないため、人間のヘアスタイルの多様性を適切に扱うためにはより大きなデータセットが必要であり、再構築品質が低下します。この研究では、未制御の照明環境で動作し、さらなるユーザーアノテーションなしで画像またはビデオベースのデータを使用するヘアモデリングの技術を提供しています。彼らはそれを行うための2段階の再構築プロセスを作成しました。最初のステップでの粗いボリューメトリックな髪の復元は完全にデータ駆動型であり、暗黙的なボリューメトリック表現を使用します。第二段階であるファインストランドベースの再構築は、個々の髪のストランドのレベルで作業し、主に小さな合成データセットから発見されたプライオリに依存します。髪と胸（頭部と肩）領域では、最初のステップで暗黙の表面表現を再作成します。さらに、トレーニング画像または2D方向マップで示される髪の方向と比較することで、異方性投影を使用して髪の成長方向のフィールドを学習することができます。このフィールドは、髪の形状のより正確なフィッティングに役立つことができますが、その主な適用は第二段階の髪のストランドの最適化を制限することです。彼らは、入力フレームから髪の方向マップを生成するために、画像の勾配に基づく従来の方法を使用しています。ストランドベースの再構築を行うために、第二段階では事前にトレーニングされたプライオリを使用します。彼らは、自己符号化器を使用して合成データからトレーニングされたパラメトリックモデルを使用して個々の髪のストランドとその共同分布またはヘアスタイル全体を表現します。したがって、最適化手順を介して、この段階では前の段階で達成された粗い髪の再構築を学習ベースのプライオリと調和させます。最後に、異方性レンダリングを使用した新しいヘアレンダラを使用して、再構築されたヘアスタイルのリアリズムを高めます。要約すると、彼らの貢献は次のとおりです： • ストランドプライオリの改善されたトレーニングアプローチ • 頭部および髪の領域における人間の3D再構築方法（ヘアの方向を含む） • ラテント拡散ベースのプライオリを使用したグローバルヘアスタイルモデリング（パラメトリックストランドプライオリと「インターフェース」する） • 従来のレンダリング技術よりもより正確な再構成を実現する、微分可能なソフトヘアラスタリゼーションの手法。 • ストランドレベルでの人間の髪の優れた再構成を実現するために、上記の要素をすべて組み合わせたストランドフィッティングの手法。彼らの技術の効果を人工および実世界のデータでテストするために、スマートフォンの単眼フィルムと無制限な照明設定で動作する3Dスキャナからの多視点写真を使用しています。

「サリー大学の研究者が開発した新しいソフトウェアは、AIが実際にどれだけの情報を知っているかを検証することができます」

ここ数年、人工知能（AI）のドメインでいくつかの技術的なブレークスルーがあり、いくつかの産業やセクターに深い影響を与えています。AIは、ヘルスケア産業を完全に革新し、ビジネスの運営方法や個人がテクノロジーとの相互作用をする方法を変えるという大きなポテンシャルを持っています。しかしながら、AI技術の広範な採用にも関わらず、今後ますます増加するであろうセキュリティ対策を確保する必要があります。AIシステムは、訓練に重要なデータに大きく依存しており、それには機密性の高い個人情報が含まれる可能性があります。そのため、研究者や開発者は、このようなAIシステムへの攻撃を防ぎ、機密情報が盗まれないようにするための堅牢なセキュリティ対策を考案することが非常に重要です。この文脈において、AIアプリケーションのセキュリティは、政府やビジネスなどの複数の機関に直接影響を与えるため、研究者や開発者の間で注目されるトピックとなっています。サリー大学のサイバーセキュリティ部門の研究チームは、組織のデータベースからAIシステムがどれだけの情報を収集しているかを検証するソフトウェアを開発しました。このソフトウェアは、AIシステムが悪意のある操作に使用される可能性のあるソフトウェアコードの潜在的な欠陥を発見したかどうかも判断することができます。例えば、ソフトウェアは、AIチェスプレーヤーがコードの潜在的なバグのために無敵になったかどうかを判断することができます。サリーの研究者たちは、このソフトウェアを会社のオンラインセキュリティプロトコルの一部として使用することを目指しています。企業は、AIが会社の機密データにアクセスできるかどうかをより正確に判断することができます。サリー大学の検証ソフトウェアは、権威ある第25回国際形式手法シンポジウムで最優秀論文賞も受賞しました。 AIが私たちの日常生活に広く導入されるにつれて、これらのシステムが複雑でダイナミックな環境で他のAIシステムや人間と相互作用する必要があることは間違いありません。例えば、自動運転車は、交通を通過する際に他の車両やセンサーなど他の情報源と相互作用する必要があります。一方、一部の企業は、他の人間と相互作用する必要がある特定のタスクをロボットが完了するために使用しています。これらの状況では、システムと人間の相互作用が新たな脆弱性をもたらすため、AIシステムのセキュリティを確保することは特に困難です。したがって、この問題の解決策を開発するための最初のステップは、AIシステムが実際にどれだけの知識を持っているかを判断することです。これはAIコミュニティにとって長年の魅力的な研究問題であり、サリー大学の研究者たちは画期的なものを開発しました。サリー大学の研究者が開発した検証ソフトウェアは、AIが相互作用からどれだけ学ぶことができるか、そしてプライバシーを危険にさらすほど十分な知識を持っているかどうかを判断することができます。AIシステムが正確に何を知っているかを指定するために、研究者たちは「プログラム的認識」ロジックを定義しました。研究者たちは、自分たちの独自のソフトウェアを使用してAIが学んだことを評価することで、企業がより安全にAIをシステムに導入できると期待しています。サリー大学の研究は、トレーニングデータセットの機密性と完全性を確保するための非常に重要な一歩を表しています。彼らの取り組みは、信頼性のある責任あるAIシステムの開発の研究のペースを加速させるでしょう。