Azərbaycanca AzərbaycancaБеларускі БеларускіDansk DanskDeutsch DeutschEspañola EspañolaFrançais FrançaisIndonesia IndonesiaItaliana Italiana日本語 日本語Қазақ ҚазақLietuvos LietuvosNederlands NederlandsPortuguês PortuguêsРусский Русскийසිංහල සිංහලแบบไทย แบบไทยTürkçe TürkçeУкраїнська Українська中國人 中國人United State United StateAfrikaans Afrikaans
Підтримка
www.wikidata.uk-ua.nina.az
  • Вікіпедія

DeepDream це програма комп ютерного бачення створена інженером Google Олександром Мордвінцевим яка використовує згортков

DeepDream

DeepDream
www.wikidata.uk-ua.nina.azhttps://www.wikidata.uk-ua.nina.az

DeepDream — це програма комп’ютерного бачення, створена інженером Google Олександром Мордвінцевим, яка використовує згорткову нейронну мережу для пошуку та посилення образів у зображеннях за допомогою алгоритмічної парейдолії, таким чином створюючи вигляд сновидіння, який нагадує психоделічний досвід у навмисно надмірно оброблених зображеннях.

image
Мона Ліза з ефектом DeepDream за допомогою мережі VGG16, навченої на ImageNet

Програма Google популяризувала термін (глибоке) «сновидіння» для позначення генерації зображень, які викликають бажані збудження в натренованій глибокій мережі, і тепер цей термін стосується набору пов'язаних підходів.

Історія

Програмне забезпечення DeepDream, походить від глибокої згорткової мережі під кодовою назвою «Inception» на честь однойменного фільму, розробленої для (інші мови) (ILSVRC) у 2014 році і випущеної у липні 2015 року.

Ідея та назва стали популярними в Інтернеті в 2015 році завдяки програмі DeepDream від Google. Ця ідея походить з ранніх етапів історії нейронних мереж, і подібні методи використовувалися для синтезу візуальних текстур. Відповідні ідеї візуалізації були розроблені (до роботи Google) кількома дослідницькими групами.

Після того, як Google опублікував свої технології та відкрив вихідний код, на ринку з'явилася низка інструментів у формі веб-сервісів, мобільних додатків і програмного забезпечення для настільних комп'ютерів, які дозволяють користувачам перетворювати власні фотографії.

Процес

image
image
image
Оригінальне зображення (угорі) після застосування десяти (посередині) і п’ятдесяти (внизу) ітерацій DeepDream, мережа була навчена сприймати собак, а потім працювала у зворотному напрямку

Програмне забезпечення було призначене для виявлення облич та інших образів на зображеннях з метою автоматичної класифікації зображень. Однак після навчання мережу також можна запустити у зворотному напрямку, попросивши трохи відкоригувати вихідне зображення, щоб певний вихідний нейрон (наприклад, для облич чи певних тварин) давав вищу оцінку достовірності. Це можна використовувати для візуалізації, щоб краще зрозуміти структуру нейронної мережі, що виникає, і є основою для концепції DeepDream. Це зворотнє функціонування ніколи не є абсолютно чітким та однозначним, оскільки воно використовує процес відображення один-до-багатьох. Однак після достатньої кількості повторів навіть образи, спочатку позбавлені шуканих рис, будуть скориговані настільки, що в результаті виникне форма парейдолії, за допомогою якої алгоритмічно генеруються психоделічні та сюрреалістичні зображення. Оптимізація нагадує зворотне поширення, однак, замість коригування ваг мережі, ваги залишаються фіксованими, а коригуються вхідні дані.

Наприклад, існуюче зображення можна змінити так, щоб воно стало «більш котячим», і отримане покращене зображення можна знову ввести в обробку. Таке використання нагадує пошук тварин або інших образів у хмарах.

Застосування градієнтного спуску незалежно до кожного пікселя вхідних даних створює зображення, у яких сусідні пікселі мають мало зв'язку, і, отже, зображення містить занадто багато високочастотної інформації. Згенеровані зображення можна значно покращити, включивши регуляризатор, який віддає перевагу входам, що мають природну статистику зображень (без переваги для будь-якого конкретного зображення), або просто гладкі. Наприклад, Mahendran et al. використали регуляризатор загальної варіації, який віддає перевагу зображенням, які є кусково-постійними. Різні регуляризатори обговорюються далі в Yosinski та ін. Нещодавно було опубліковано поглиблене візуальне дослідження методів візуалізації ознак і регулярізації.

Наведена подібність образів до галюцинацій, викликаних ЛСД і псилоцибіном, свідчить про функціональну подібність між штучними нейронними мережами та певними шарами зорової кори.

Нейронні мережі, такі як DeepDream, мають біологічні аналогії, які дають змогу зрозуміти процеси роботи мозку та формування свідомості. Галюциногени, такі як ДМТ, змінюють функцію серотонінергічної системи, яка присутня в шарах зорової кори. Нейронні мережі навчаються на вхідних векторах і змінюються внутрішніми варіаціями під час процесу навчання. Вхідні та внутрішні модифікації представляють обробку екзогенних та ендогенних сигналів відповідно в зоровій корі. Оскільки внутрішні варіації модифікуються в глибоких нейронних мережах, вихідне зображення відображає ці зміни. Ця специфічна маніпуляція демонструє, як внутрішні механізми мозку аналогічні внутрішнім шарам нейронних мереж. Зміни рівня внутрішнього шуму показують, як галюциногени пропускають зовнішню сенсорну інформацію, що призводить до того, що внутрішні упереджені концепції сильно впливають на зорове сприйняття.

Використання

image
Фотографія трьох чоловіків у басейні, ретельно оброблена DeepDream

Ідея сновидінь може бути застосована до прихованих (внутрішніх) нейронів, відмінних від тих, що знаходяться у виході, що дозволяє досліджувати ролі та представлення різних частин мережі. Також можна оптимізувати вхідні дані, щоб задовольнити або один нейрон (це використання іноді називають максимізацією збудження, англ. Activity Maximization) або цілий шар нейронів.

Хоча сновидіння найчастіше використовується для візуалізації мереж або створення комп'ютерного мистецтва, нещодавно було запропоновано, що додавання «мріяних» вхідних даних до навчального набору може покращити час навчання для абстракцій у інформатиці.

Було також продемонстровано, що модель DeepDream має застосування в галузі історії мистецтва.

DeepDream був використаний для музичного кліпу Foster the People на пісню (інші мови)».

У 2017 році дослідницька група з Університету Сассекса створила машину галюцинацій, застосувавши алгоритм DeepDream до попередньо записаного панорамного відео, що дозволяє користувачам досліджувати середовища віртуальної реальності, імітуючи досвід психоактивних речовин та/або психопатологічних станів. Вони змогли продемонструвати, що суб'єктивні переживання, викликані машиною галюцинацій, суттєво відрізнялися від контрольних (не «галюциногенних») відео, але мали феноменологічну схожість із психоделічним станом (після введення псилоцибіну).

У 2021 році дослідження, опубліковане в журналі (інші мови), продемонструвало подібність між DeepDream і реальним психоделічним досвідом із нейронауковими доказами. Автори записали електроенцефалограму (ЕЕГ) учасників під час пасивного перегляду відеокліпу та його аналога, згенерованого DeepDream. Вони виявили, що відео DeepDream викликало вищу ентропію в сигналі ЕЕГ і вищий рівень (інші мови) між областями мозку. Обидві ознаки добре відомі (інші мови) справжнього психоделічного досвіду.

У 2022 році дослідницька група під керівництвом Університету Тренто «виміряла когнітивну гнучкість і креативність учасників після перегляду панорамних відео у віртуальній реальності та їхніх галюцинаторних аналогів, згенерованих алгоритмом DeepDream, імітуючи психоделічний вплив. Люди демонстрували ослаблений внесок автоматичного процесу та хаотичну динаміку, що лежить в основі їхніх процесів прийняття рішень, імовірно, через реорганізацію когнітивної динаміки, яка полегшує дослідження незвичайних стратегій прийняття рішень і перешкоджає автоматизованому вибору».

Див. також

  • (інші мови)
  • DALL-E
  • Виявляння ознак (комп'ютерне бачення)
  • Галюцинація (штучний інтелект)
  • (інші мови)
  • Процедурне текстурування
  • Психоделічний арт
  • (інші мови)

Примітки

  1. Mordvintsev, Alexander; Olah, Christopher; Tyka, Mike (2015). DeepDream - a code example for visualizing Neural Networks. Google Research. Архів оригіналу за 8 липня 2015.
  2. Mordvintsev, Alexander; Olah, Christopher; Tyka, Mike (2015). Inceptionism: Going Deeper into Neural Networks. Google Research. Архів оригіналу за 3 липня 2015.
  3. Szegedy, Christian; Wei Liu; Yangqing Jia; Sermanet, Pierre; Reed, Scott; Anguelov, Dragomir; Erhan, Dumitru; Vanhoucke, Vincent; Rabinovich, Andrew (2015-06). Going deeper with convolutions. IEEE. с. 1—9. doi:10.1109/CVPR.2015.7298594. ISBN . Процитовано 22 липня 2024.
  4. Lewis (1988). Creation by refinement: a creativity paradigm for gradient descent learning networks. IEEE International Conference on Neural Networks. IEEE. doi:10.1109/icnn.1988.23933. Процитовано 22 липня 2024.
  5. Portilla, J; Simoncelli, Eero (2000). A parametric texture model based on joint statistics of complex wavelet coefficients. International Journal of Computer Vision. 40: 49—70. doi:10.1023/A:1026553619983.
  6. Erhan, Dumitru (2009). Visualizing Higher-Layer Features of a Deep Network. International Conference on Machine Learning Workshop on Learning Feature Hierarchies. Процитовано 22 липня 2024.
  7. Simonyan, Karen; Vedaldi, Andrea; Zisserman, Andrew (2013). Deep Inside Convolutional Networks: Visualising Image Classification Models and Saliency Maps. doi:10.48550/ARXIV.1312.6034. Процитовано 22 липня 2024.
  8. deepdream на GitHub
  9. Daniel Culpan (3 липня 2015). These Google "Deep Dream" Images Are Weirdly Mesmerising. Wired. Архів оригіналу за 8 травня 2016. Процитовано 25 липня 2015.
  10. Rich McCormick (7 липня 2015). Fear and Loathing in Las Vegas is terrifying through the eyes of a computer. The Verge. Процитовано 25 липня 2015.
  11. Hayes, Brian (2015). Computer Vision and Computer Hallucinations. American Scientist. 103 (6): 380. doi:10.1511/2015.117.380. ISSN 0003-0996.
  12. Mahendran, Aravindh; Vedaldi, Andrea (2015-06). Understanding deep image representations by inverting them. IEEE. с. 5188—5196. doi:10.1109/CVPR.2015.7299155. ISBN . Процитовано 22 липня 2024.
  13. Yosinski, Jason; Clune, Jeff; Nguyen, Anh; Fuchs, Thomas; Lipson, Hod (2015). Understanding Neural Networks Through Deep Visualization. doi:10.48550/ARXIV.1506.06579. Процитовано 22 липня 2024.
  14. Olah, Chris; Mordvintsev, Alexander; Schubert, Ludwig (7 листопада 2017). Feature Visualization. Distill (амер.). 2 (11). doi:10.23915/distill.00007. ISSN 2476-0757.
  15. LaFrance, Adrienne (3 вересня 2015). When Robots Hallucinate. The Atlantic. Процитовано 24 вересня 2015.
  16. Timmermann, Christopher (12 грудня 2020). Neural Network Models for DMT-induced Visual Hallucinations. Neuroscience of Consciousness. NIH. 2020 (1): niaa024. doi:10.1093/nc/niaa024. PMC 7734438. PMID 33343929.
  17. Nguyen, Anh; Dosovitskiy, Alexey; Yosinski, Jason; Brox, Thomas; Clune, Jeff (2016). Synthesizing the preferred inputs for neurons in neural networks via deep generator networks. doi:10.48550/ARXIV.1605.09304. Процитовано 22 липня 2024.
  18. Arora, Sanjeev; Liang, Yingyu; Ma, Tengyu (2015). Why are deep nets reversible: A simple theory, with implications for training. doi:10.48550/ARXIV.1511.05653. Процитовано 22 липня 2024.
  19. Spratt, Emily L. (2017). Dream Formulations and Deep Neural Networks: Humanistic Themes in the Iconology of the Machine-Learned Image (PDF). Kunsttexte. Humboldt-Universität zu Berlin. 4. arXiv:1802.01274. Bibcode:2018arXiv180201274S.
  20. fosterthepeopleVEVO (11 серпня 2017), Foster The People - Doing It for the Money, процитовано 15 серпня 2017
  21. Suzuki, Keisuke (22 листопада 2017). A Deep-Dream Virtual Reality Platform for Studying Altered Perceptual Phenomenology. Sci Rep. 7 (1): 15982. Bibcode:2017NatSR...715982S. doi:10.1038/s41598-017-16316-2. PMC 5700081. PMID 29167538.
  22. Greco, Antonino; Gallitto, Giuseppe; D’Alessandro, Marco; Rastelli, Clara (July 2021). Increased Entropic Brain Dynamics during DeepDream-Induced Altered Perceptual Phenomenology. Entropy (англ.). 23 (7): 839. Bibcode:2021Entrp..23..839G. doi:10.3390/e23070839. ISSN 1099-4300. PMC 8306862. PMID 34208923.
  23. Carhart-Harris, Robin; Leech, Robert; Hellyer, Peter; Shanahan, Murray; Feilding, Amanda; Tagliazucchi, Enzo; Chialvo, Dante; Nutt, David (2014). The entropic brain: a theory of conscious states informed by neuroimaging research with psychedelic drugs. Frontiers in Human Neuroscience. 8: 20. doi:10.3389/fnhum.2014.00020. ISSN 1662-5161. PMC 3909994. PMID 24550805.
  24. Rastelli, Clara; Greco, Antonino; Kennett, Yoed; Finocchiaro, Chiara; De Pisapia, Nicola (7 березня 2022). Simulated visual hallucinations in virtual reality enhance cognitive flexibility. Sci Rep. 12 (1): 4027. Bibcode:2022NatSR..12.4027R. doi:10.1038/s41598-022-08047-w. PMC 8901713. PMID 35256740.

Посилання

Зовнішні відео
image Deep Dream (Google) — комп'ютерофіл (інші мови)
  • Deep Dream, python notebook на GitHub
  • Mordvintsev, Alexander; Olah, Christopher; Tyka, Mike (17 червня 2015). Inceptionism: Going Deeper into Neural Networks. Архів оригіналу за 3 липня 2015.

Вікіпедія, Українська, Україна, книга, книги, бібліотека, стаття, читати, завантажити, безкоштовно, безкоштовно завантажити, mp3, відео, mp4, 3gp, jpg, jpeg, gif, png, малюнок, музика, пісня, фільм, книга, гра, ігри, мобільний, телефон, android, ios, apple, мобільний телефон, samsung, iphone, xiomi, xiaomi, redmi, honor, oppo, nokia, sonya, mi, ПК, web, Інтернет

DeepDream ce programa komp yuternogo bachennya stvorena inzhenerom Google Oleksandrom Mordvincevim yaka vikoristovuye zgortkovu nejronnu merezhu dlya poshuku ta posilennya obraziv u zobrazhennyah za dopomogoyu algoritmichnoyi parejdoliyi takim chinom stvoryuyuchi viglyad snovidinnya yakij nagaduye psihodelichnij dosvid u navmisno nadmirno obroblenih zobrazhennyah 1 2 3 Mona Liza z efektom DeepDream za dopomogoyu merezhi VGG16 navchenoyi na ImageNet Programa Google populyarizuvala termin gliboke snovidinnya dlya poznachennya generaciyi zobrazhen yaki viklikayut bazhani zbudzhennya v natrenovanij glibokij merezhi i teper cej termin stosuyetsya naboru pov yazanih pidhodiv Zmist 1 Istoriya 2 Proces 3 Vikoristannya 4 Div takozh 5 Primitki 6 PosilannyaIstoriyared Programne zabezpechennya DeepDream pohodit vid glibokoyi zgortkovoyi merezhi pid kodovoyu nazvoyu Inception na chest odnojmennogo filmu 1 2 3 rozroblenoyi dlya ImageNet Large Scale Visual Recognition Challenge inshi movi ILSVRC u 2014 roci 3 i vipushenoyi u lipni 2015 roku Ideya ta nazva stali populyarnimi v Interneti v 2015 roci zavdyaki programi DeepDream vid Google Cya ideya pohodit z rannih etapiv istoriyi nejronnih merezh 4 i podibni metodi vikoristovuvalisya dlya sintezu vizualnih tekstur 5 Vidpovidni ideyi vizualizaciyi buli rozrobleni do roboti Google kilkoma doslidnickimi grupami 6 7 Pislya togo yak Google opublikuvav svoyi tehnologiyi ta vidkriv vihidnij kod 8 na rinku z yavilasya nizka instrumentiv u formi veb servisiv mobilnih dodatkiv i programnogo zabezpechennya dlya nastilnih komp yuteriv yaki dozvolyayut koristuvacham peretvoryuvati vlasni fotografiyi 9 Procesred nbsp nbsp nbsp Originalne zobrazhennya ugori pislya zastosuvannya desyati poseredini i p yatdesyati vnizu iteracij DeepDream merezha bula navchena sprijmati sobak a potim pracyuvala u zvorotnomu napryamku Programne zabezpechennya bulo priznachene dlya viyavlennya oblich ta inshih obraziv na zobrazhennyah z metoyu avtomatichnoyi klasifikaciyi zobrazhen 10 Odnak pislya navchannya merezhu takozh mozhna zapustiti u zvorotnomu napryamku poprosivshi trohi vidkoriguvati vihidne zobrazhennya shob pevnij vihidnij nejron napriklad dlya oblich chi pevnih tvarin davav vishu ocinku dostovirnosti Ce mozhna vikoristovuvati dlya vizualizaciyi shob krashe zrozumiti strukturu nejronnoyi merezhi sho vinikaye i ye osnovoyu dlya koncepciyi DeepDream Ce zvorotnye funkcionuvannya nikoli ne ye absolyutno chitkim ta odnoznachnim oskilki vono vikoristovuye proces vidobrazhennya odin do bagatoh 11 Odnak pislya dostatnoyi kilkosti povtoriv navit obrazi spochatku pozbavleni shukanih ris budut skorigovani nastilki sho v rezultati vinikne forma parejdoliyi za dopomogoyu yakoyi algoritmichno generuyutsya psihodelichni ta syurrealistichni zobrazhennya Optimizaciya nagaduye zvorotne poshirennya odnak zamist koriguvannya vag merezhi vagi zalishayutsya fiksovanimi a koriguyutsya vhidni dani Napriklad isnuyuche zobrazhennya mozhna zminiti tak shob vono stalo bilsh kotyachim i otrimane pokrashene zobrazhennya mozhna znovu vvesti v obrobku 2 Take vikoristannya nagaduye poshuk tvarin abo inshih obraziv u hmarah Zastosuvannya gradiyentnogo spusku nezalezhno do kozhnogo pikselya vhidnih danih stvoryuye zobrazhennya u yakih susidni pikseli mayut malo zv yazku i otzhe zobrazhennya mistit zanadto bagato visokochastotnoyi informaciyi Zgenerovani zobrazhennya mozhna znachno pokrashiti vklyuchivshi regulyarizator yakij viddaye perevagu vhodam sho mayut prirodnu statistiku zobrazhen bez perevagi dlya bud yakogo konkretnogo zobrazhennya abo prosto gladki 7 12 13 Napriklad Mahendran et al 12 vikoristali regulyarizator zagalnoyi variaciyi yakij viddaye perevagu zobrazhennyam yaki ye kuskovo postijnimi Rizni regulyarizatori obgovoryuyutsya dali v Yosinski ta in 13 Neshodavno bulo opublikovano pogliblene vizualne doslidzhennya metodiv vizualizaciyi oznak i regulyarizaciyi 14 Navedena podibnist obraziv do galyucinacij viklikanih LSD i psilocibinom svidchit pro funkcionalnu podibnist mizh shtuchnimi nejronnimi merezhami ta pevnimi sharami zorovoyi kori 15 Nejronni merezhi taki yak DeepDream mayut biologichni analogiyi yaki dayut zmogu zrozumiti procesi roboti mozku ta formuvannya svidomosti Galyucinogeni taki yak DMT zminyuyut funkciyu serotoninergichnoyi sistemi yaka prisutnya v sharah zorovoyi kori Nejronni merezhi navchayutsya na vhidnih vektorah i zminyuyutsya vnutrishnimi variaciyami pid chas procesu navchannya Vhidni ta vnutrishni modifikaciyi predstavlyayut obrobku ekzogennih ta endogennih signaliv vidpovidno v zorovij kori Oskilki vnutrishni variaciyi modifikuyutsya v glibokih nejronnih merezhah vihidne zobrazhennya vidobrazhaye ci zmini Cya specifichna manipulyaciya demonstruye yak vnutrishni mehanizmi mozku analogichni vnutrishnim sharam nejronnih merezh Zmini rivnya vnutrishnogo shumu pokazuyut yak galyucinogeni propuskayut zovnishnyu sensornu informaciyu sho prizvodit do togo sho vnutrishni uperedzheni koncepciyi silno vplivayut na zorove sprijnyattya 16 Vikoristannyared nbsp Fotografiya troh cholovikiv u basejni retelno obroblena DeepDream Ideya snovidin mozhe buti zastosovana do prihovanih vnutrishnih nejroniv vidminnih vid tih sho znahodyatsya u vihodi sho dozvolyaye doslidzhuvati roli ta predstavlennya riznih chastin merezhi 13 Takozh mozhna optimizuvati vhidni dani shob zadovolniti abo odin nejron ce vikoristannya inodi nazivayut maksimizaciyeyu zbudzhennya angl Activity Maximization 17 abo cilij shar nejroniv Hocha snovidinnya najchastishe vikoristovuyetsya dlya vizualizaciyi merezh abo stvorennya komp yuternogo mistectva neshodavno bulo zaproponovano sho dodavannya mriyanih vhidnih danih do navchalnogo naboru mozhe pokrashiti chas navchannya dlya abstrakcij u informatici 18 Bulo takozh prodemonstrovano sho model DeepDream maye zastosuvannya v galuzi istoriyi mistectva 19 DeepDream buv vikoristanij dlya muzichnogo klipu Foster the People na pisnyu Doing It for the Money inshi movi 20 U 2017 roci doslidnicka grupa z Universitetu Sasseksa stvorila mashinu galyucinacij zastosuvavshi algoritm DeepDream do poperedno zapisanogo panoramnogo video sho dozvolyaye koristuvacham doslidzhuvati seredovisha virtualnoyi realnosti imituyuchi dosvid psihoaktivnih rechovin ta abo psihopatologichnih staniv 21 Voni zmogli prodemonstruvati sho sub yektivni perezhivannya viklikani mashinoyu galyucinacij suttyevo vidriznyalisya vid kontrolnih ne galyucinogennih video ale mali fenomenologichnu shozhist iz psihodelichnim stanom pislya vvedennya psilocibinu U 2021 roci doslidzhennya opublikovane v zhurnali Entropy inshi movi prodemonstruvalo podibnist mizh DeepDream i realnim psihodelichnim dosvidom iz nejronaukovimi dokazami 22 Avtori zapisali elektroencefalogramu EEG uchasnikiv pid chas pasivnogo pereglyadu videoklipu ta jogo analoga zgenerovanogo DeepDream Voni viyavili sho video DeepDream viklikalo vishu entropiyu v signali EEG i vishij riven funkcionalnogo zv yazku inshi movi mizh oblastyami mozku 22 Obidvi oznaki dobre vidomi biomarkeri inshi movi spravzhnogo psihodelichnogo dosvidu 23 U 2022 roci doslidnicka grupa pid kerivnictvom Universitetu Trento vimiryala kognitivnu gnuchkist i kreativnist uchasnikiv pislya pereglyadu panoramnih video u virtualnij realnosti ta yihnih galyucinatornih analogiv zgenerovanih algoritmom DeepDream imituyuchi psihodelichnij vpliv Lyudi demonstruvali oslablenij vnesok avtomatichnogo procesu ta haotichnu dinamiku sho lezhit v osnovi yihnih procesiv prijnyattya rishen imovirno cherez reorganizaciyu kognitivnoyi dinamiki yaka polegshuye doslidzhennya nezvichajnih strategij prijnyattya rishen i pereshkodzhaye avtomatizovanomu viboru 24 Div takozhred Shtuchna uyava inshi movi DALL E Viyavlyannya oznak komp yuterne bachennya Galyucinaciya shtuchnij intelekt Nejronne perenesennya stilyu inshi movi Procedurne teksturuvannya Psihodelichnij art Sintez tekstur inshi movi Primitkired a b Mordvintsev Alexander Olah Christopher Tyka Mike 2015 DeepDream a code example for visualizing Neural Networks Google Research Arhiv originalu za 8 lipnya 2015 a b v Mordvintsev Alexander Olah Christopher Tyka Mike 2015 Inceptionism Going Deeper into Neural Networks Google Research Arhiv originalu za 3 lipnya 2015 a b v Szegedy Christian Wei Liu Yangqing Jia Sermanet Pierre Reed Scott Anguelov Dragomir Erhan Dumitru Vanhoucke Vincent Rabinovich Andrew 2015 06 Going deeper with convolutions IEEE s 1 9 doi 10 1109 CVPR 2015 7298594 ISBN 978 1 4673 6964 0 Procitovano 22 lipnya 2024 Lewis 1988 Creation by refinement a creativity paradigm for gradient descent learning networks IEEE International Conference on Neural Networks IEEE doi 10 1109 icnn 1988 23933 Procitovano 22 lipnya 2024 Portilla J Simoncelli Eero 2000 A parametric texture model based on joint statistics of complex wavelet coefficients International Journal of Computer Vision 40 49 70 doi 10 1023 A 1026553619983 Erhan Dumitru 2009 Visualizing Higher Layer Features of a Deep Network International Conference on Machine Learning Workshop on Learning Feature Hierarchies Procitovano 22 lipnya 2024 a b Simonyan Karen Vedaldi Andrea Zisserman Andrew 2013 Deep Inside Convolutional Networks Visualising Image Classification Models and Saliency Maps doi 10 48550 ARXIV 1312 6034 Procitovano 22 lipnya 2024 deepdream na GitHub Daniel Culpan 3 lipnya 2015 These Google Deep Dream Images Are Weirdly Mesmerising Wired Arhiv originalu za 8 travnya 2016 Procitovano 25 lipnya 2015 Rich McCormick 7 lipnya 2015 Fear and Loathing in Las Vegas is terrifying through the eyes of a computer The Verge Procitovano 25 lipnya 2015 Hayes Brian 2015 Computer Vision and Computer Hallucinations American Scientist 103 6 380 doi 10 1511 2015 117 380 ISSN 0003 0996 a b Mahendran Aravindh Vedaldi Andrea 2015 06 Understanding deep image representations by inverting them IEEE s 5188 5196 doi 10 1109 CVPR 2015 7299155 ISBN 978 1 4673 6964 0 Procitovano 22 lipnya 2024 a b v Yosinski Jason Clune Jeff Nguyen Anh Fuchs Thomas Lipson Hod 2015 Understanding Neural Networks Through Deep Visualization doi 10 48550 ARXIV 1506 06579 Procitovano 22 lipnya 2024 Olah Chris Mordvintsev Alexander Schubert Ludwig 7 listopada 2017 Feature Visualization Distill amer 2 11 doi 10 23915 distill 00007 ISSN 2476 0757 LaFrance Adrienne 3 veresnya 2015 When Robots Hallucinate The Atlantic Procitovano 24 veresnya 2015 Timmermann Christopher 12 grudnya 2020 Neural Network Models for DMT induced Visual Hallucinations Neuroscience of Consciousness NIH 2020 1 niaa024 doi 10 1093 nc niaa024 PMC 7734438 PMID 33343929 Nguyen Anh Dosovitskiy Alexey Yosinski Jason Brox Thomas Clune Jeff 2016 Synthesizing the preferred inputs for neurons in neural networks via deep generator networks doi 10 48550 ARXIV 1605 09304 Procitovano 22 lipnya 2024 Arora Sanjeev Liang Yingyu Ma Tengyu 2015 Why are deep nets reversible A simple theory with implications for training doi 10 48550 ARXIV 1511 05653 Procitovano 22 lipnya 2024 Spratt Emily L 2017 Dream Formulations and Deep Neural Networks Humanistic Themes in the Iconology of the Machine Learned Image PDF Kunsttexte Humboldt Universitat zu Berlin 4 arXiv 1802 01274 Bibcode 2018arXiv180201274S fosterthepeopleVEVO 11 serpnya 2017 Foster The People Doing It for the Money procitovano 15 serpnya 2017 Suzuki Keisuke 22 listopada 2017 A Deep Dream Virtual Reality Platform for Studying Altered Perceptual Phenomenology Sci Rep 7 1 15982 Bibcode 2017NatSR 715982S doi 10 1038 s41598 017 16316 2 PMC 5700081 PMID 29167538 a b Greco Antonino Gallitto Giuseppe D Alessandro Marco Rastelli Clara July 2021 Increased Entropic Brain Dynamics during DeepDream Induced Altered Perceptual Phenomenology Entropy angl 23 7 839 Bibcode 2021Entrp 23 839G doi 10 3390 e23070839 ISSN 1099 4300 PMC 8306862 PMID 34208923 Carhart Harris Robin Leech Robert Hellyer Peter Shanahan Murray Feilding Amanda Tagliazucchi Enzo Chialvo Dante Nutt David 2014 The entropic brain a theory of conscious states informed by neuroimaging research with psychedelic drugs Frontiers in Human Neuroscience 8 20 doi 10 3389 fnhum 2014 00020 ISSN 1662 5161 PMC 3909994 PMID 24550805 Rastelli Clara Greco Antonino Kennett Yoed Finocchiaro Chiara De Pisapia Nicola 7 bereznya 2022 Simulated visual hallucinations in virtual reality enhance cognitive flexibility Sci Rep 12 1 4027 Bibcode 2022NatSR 12 4027R doi 10 1038 s41598 022 08047 w PMC 8901713 PMID 35256740 Posilannyared Zovnishni video nbsp Deep Dream Google komp yuterofil Majkla Paunda inshi movi Deep Dream python notebook na GitHub Mordvintsev Alexander Olah Christopher Tyka Mike 17 chervnya 2015 Inceptionism Going Deeper into Neural Networks Arhiv originalu za 3 lipnya 2015 Otrimano z https uk wikipedia org w index php title DeepDream amp oldid 43534928

Дата публікації: Листопад 06, 2024, 06:33 am
Найбільш читані
  • Жовтень 05, 2024

    Список астероїдів (394001—395000)

  • Жовтень 05, 2024

    Список астероїдів (392001—393000)

  • Жовтень 05, 2024

    Список астероїдів (391001—392000)

  • Жовтень 05, 2024

    Список астероїдів (390001—391000)

  • Жовтень 05, 2024

    Список астероїдів (389001—390000)

Щодня

  • Діаспора

  • Декрет

  • Шведська королівська академія наук

  • Список країн Європейського Союзу

  • Хамас

  • Вестмінстерський палац

  • Міст Патона

  • Анна Марія ван Схюрман

  • 1918

  • Великий Атанасій Григорій

NiNa.Az - Студія

  • Вікіпедія

Підписка на розсилку

Підписавшись на нашу розсилку, ви завжди будете отримувати від нас найсвіжіші новини.
Будемо на зв`язку
Зв`яжіться з нами
DMCA Sitemap Feeds
© 2019 nina.az - Всі права захищені.
Авторське право: Dadaş Mammedov
Топ