数据增强技术使AI模型能够基于大都会艺术博物馆的一个小型数据集来模仿艺术作品 并在医疗健康等领域开创全新的潜在应用。
NVIDIAResearch的最新AI模型可谓生成式对抗网络（GAN）领域的“神童”。相较于典型的GAN 它只需要基于极少量的学习材料 就能学习诸如模仿著名画家和重建癌症组织图像这样复杂的技能。
通过将一种突破性的神经网络训练技术应用于常用的NVIDIAStyleGAN2模型 NVIDIA的研究人员基于大都会艺术博物馆中不到1 500张图像重新设计了艺术作品。他们使用NVIDIADGX系统加速训练 从历史人物肖像中汲取灵感 创作出了全新的AI艺术作品。
这种称为自适应鉴别器增强（ADA）的技术能在将训练图像的数量缩减10-20倍的情况下 仍保持不错的效果。未来 该技术将会为医疗健康领域带来重大影响 例如 可通过创建癌症组织学图像来帮助训练其他AI模型。
NVIDIA图形研究副总裁DavidLuebke表示：“这些研究结果意味着 人们可以使用GAN来解决大量数据过于耗时或难以获取的问题。我十分期待艺术家、医学专家和研究人员能够对其充分利用 实现更多应用。”
本周 这一项目的研究论文将在年度神经信息处理系统大会NeurIPS上发表。在本届大会上 NVIDIAResearch破纪录地有28篇研究论文入选 该论文就是其中之一。
这种新方法是NVIDIA研究人员在GAN领域的一系列创新中的最新成果。这些研究人员开发了基于GAN的突破性模型 包括AI绘画应用程序GauGAN、游戏引擎模拟器GameGAN和宠物照片转换器GANimal。这些模型在NVIDIAAIPlayground均有提供。
数据训练的困境
像大多数神经网络一样 GAN长期遵循一个基本原则：数据训练量越多 模型越完善。这是因为每个GAN都由两个配合的网络组成——一个生成合成图像的生成器 以及一个根据训练数据来学习逼真图像的鉴别器。
鉴别器会指导生成器 提供逐个像素反馈 以帮助其提升合成图像的真实感。但如果可供学习的训练数据有限 鉴别器就无法帮助生成器发挥其全部潜能 就如同新手教练的实战经验要比经验丰富的专家少得多。
要训练高质量的GAN 通常需要50 000至100 000个训练图像。但在很多情况下 研究人员根本没有成千上万的样本图像可以利用。
仅使用几千张图像进行训练 许多GAN就会难以运行 无法产生逼真的结果。当鉴别器仅能记住训练图像而无法向生成器提供有用的反馈时 就会发生“过拟合”的问题。
在图像分类任务中 研究人员会通过数据增强来解决过拟合的问题。这项技术使用现有图像的副本来扩展较小的数据集 这些副本经过旋转、裁剪或翻转等过程而随机扭曲 从而迫使模型更加通用化。
但是 此前将增强技术应用于GAN训练图像时 生成器学会了模仿那些失真的图像 而非创建可信的合成图像。
GAN的实战演练
NVIDIAResearch的ADA技术能够自适应地应用数据增强 这意味着在训练过程中的不同点上 可以调整数据增强的数量 以避免过拟合。这使诸如StyleGAN2这样的模型可以使用更少的训练图像 获得同样惊人的效果。
结果 研究人员可以将GAN应用于从前看来不切实际的应用中。在这些应用中 示例往往太少且难以获得 或收集大型数据集的工作太耗费时间。
艺术家使用了不同版本的StyleGAN来创作令人惊叹的展品 并根据传奇插画家OsamuTezuka的风格创作了新的漫画。Adobe甚至采用它来为Photoshop的全新AI工具“神经过滤器（NeuralFilters）”提供支持。
由于入门所需的训练数据较少 因此采用ADA的StyleGAN2可应用于珍稀艺术作品 例如总部位于巴黎的AI艺术团体Obvious在非洲科塔面具上的作品。
另一潜在应用是医疗健康领域 因为大多数检查结果都是正常的 因此罕见疾病的医学图像可能非常稀少。要想积累大量有用的异常病理切片数据集 需要医学专家花费大量时间 辛苦地进行标记。
通过GAN 采用ADA创建的合成图像可以填补这一空白 为另一种AI模型生成训练数据 从而帮助病理学家或放射学家发现病理图像或MRI研究中的罕见病情。此外 借助AI生成的数据 就不存在患者数据或隐私方面的担忧 更便于医疗机构共享数据集。
NVIDIAResearch在NeurIPS上大放异彩
NVIDIAResearch成员团队由全球200多名科学家组成 致力于AI、计算机视觉、自动驾驶汽车、机器人技术和图形学等领域。在12月6日至12日举行的年度最大的AI研究会议NeurIPS上 将重点介绍NVIDIA研究人员撰写的超过24篇论文。
点击链接 查看NVIDIA Research成员团队在NeurIPS大会上发表的全部论文。
文章主配图是由StyleGAN2借助ADA生成的 其仅仅基于大都会艺术博物馆收藏品API的不到1 500张图像的数据集进行了训练。
以上就是关于NVIDIA Research使用有限的数据集实现AI训练突破的相关内容，希望能帮助到您！
