رؤیای عمیق ( به انگلیسی: DeepDream ) یک برنامهٔ بینایی کامپیوتر ساخته شده توسط یکی از مهندسین گوگل، Alexander Mordvintsev است که از شبکه های عصبی کانولوشن برای پیدا کردن و تقویت الگوها در تصاویر از طریق الگوریتم پاریدولیا استفاده می کند، در نتیجه یک ظاهر توهم زای رویامانند در پردازش عمدی تصاویر ایجاد می کند. [ ۱] [ ۲] [ ۳]
برنامه گوگل اصطلاح «رؤیا دیدن» ( عمیق ) را تعمیم داد تا هم چنین به نسل تصاویری که فعال سازی های دلخواه را در یک شبکه عمیق آموزش دیده تولید می کنند، اشاره کند؛ و این اصطلاح اکنون به مجموعه ای از رویکردهای مرتبط اشاره دارد.
نرم افزار DeepDream سرچشمه گرفته از یک شبکه پیچیدهٔ عمیق با عنوان «تلقین» برگرفته از فیلمی با همان نام، [ ۱] [ ۲] [ ۳] برای چالش تشخیص بصری شبکه تصویری در ابعاد بزرگ ( ILSVRC ) در سال 2014[ ۳] و منتشر شده در ژوئیه ۲۰۱۵، توسعه یافت.
ایده و نام رؤیا دیدن در سال ۲۰۱۵ به لطف برنامه DeepDream گوگل در اینترنت محبوب شد. این ایده از ابتدای تاریخ شبکه های عصبی شکل گرفته است[ ۴] و روش های مشابهی برای ترکیب بافت های بصری استفاده شده اند. [ ۵] ایده های تجسم مرتبط توسط تعدادی گروه تحقیقاتی ( قبل از کار گوگل ) توسعه یافتند. [ ۶] [ ۷]
پس از آنکه Google تکنیک های خود را منتشر و کد خود را منبع باز[ ۸] ( به انگلیسی: open source ) کرد، تعدادی از ابزارها در قالب سرویس های وب، برنامه های کاربردی موبایل و نرم افزار دسکتاپ در بازار ظهور کردند تا کاربران بتوانند عکس های خود را تغییر دهند. [ ۹]
این نرم افزار به منظور شناسایی چهره ها و دیگر الگوهای موجود در تصاویر، به منظور طبقه بندی خودکار تصاویر، طراحی شده است. [ ۱۰] با این حال، هنگامی که آموزش داده شود، شبکه همچنین می تواند به صورت معکوس اجرا می شود اگر از آن بخواهیم که تصویر اصلی را به آرامی تنظیم کند تا نورون خروجی داده شده ( مثلا برای چهره ها یا حیوانات خاص ) ، نمره دقیق تری به دست آورد. این امر می تواند برای تجسم در راستای درک بهتر ساختار نوظهور شبکه عصبی استفاده شود، و همان مبنای مفهوم DeepDream است. با این حال، پس از تکرار کافی، حتی تصاویری که در ابتدا خصوصیات مطلوب ما را نداشتند، به اندازه کافی تنظیم می شوند تا شکلی از پاریدولیا حاصل شود که تصاویری توهم زا و سورئال به صورت الگوریتمی تولید کند. بهینه سازی به Back - propagation شباهت دارد. ( همان انتشار معکوس است ) ، با این حال به جای تنظیم وزن های شبکه، وزن ها ثابت شده و ورودی تنظیم می شود.
این نوشته برگرفته از سایت ویکی پدیا می باشد، اگر نادرست یا توهین آمیز است، لطفا گزارش دهید: گزارش تخلفبرنامه گوگل اصطلاح «رؤیا دیدن» ( عمیق ) را تعمیم داد تا هم چنین به نسل تصاویری که فعال سازی های دلخواه را در یک شبکه عمیق آموزش دیده تولید می کنند، اشاره کند؛ و این اصطلاح اکنون به مجموعه ای از رویکردهای مرتبط اشاره دارد.
نرم افزار DeepDream سرچشمه گرفته از یک شبکه پیچیدهٔ عمیق با عنوان «تلقین» برگرفته از فیلمی با همان نام، [ ۱] [ ۲] [ ۳] برای چالش تشخیص بصری شبکه تصویری در ابعاد بزرگ ( ILSVRC ) در سال 2014[ ۳] و منتشر شده در ژوئیه ۲۰۱۵، توسعه یافت.
ایده و نام رؤیا دیدن در سال ۲۰۱۵ به لطف برنامه DeepDream گوگل در اینترنت محبوب شد. این ایده از ابتدای تاریخ شبکه های عصبی شکل گرفته است[ ۴] و روش های مشابهی برای ترکیب بافت های بصری استفاده شده اند. [ ۵] ایده های تجسم مرتبط توسط تعدادی گروه تحقیقاتی ( قبل از کار گوگل ) توسعه یافتند. [ ۶] [ ۷]
پس از آنکه Google تکنیک های خود را منتشر و کد خود را منبع باز[ ۸] ( به انگلیسی: open source ) کرد، تعدادی از ابزارها در قالب سرویس های وب، برنامه های کاربردی موبایل و نرم افزار دسکتاپ در بازار ظهور کردند تا کاربران بتوانند عکس های خود را تغییر دهند. [ ۹]
این نرم افزار به منظور شناسایی چهره ها و دیگر الگوهای موجود در تصاویر، به منظور طبقه بندی خودکار تصاویر، طراحی شده است. [ ۱۰] با این حال، هنگامی که آموزش داده شود، شبکه همچنین می تواند به صورت معکوس اجرا می شود اگر از آن بخواهیم که تصویر اصلی را به آرامی تنظیم کند تا نورون خروجی داده شده ( مثلا برای چهره ها یا حیوانات خاص ) ، نمره دقیق تری به دست آورد. این امر می تواند برای تجسم در راستای درک بهتر ساختار نوظهور شبکه عصبی استفاده شود، و همان مبنای مفهوم DeepDream است. با این حال، پس از تکرار کافی، حتی تصاویری که در ابتدا خصوصیات مطلوب ما را نداشتند، به اندازه کافی تنظیم می شوند تا شکلی از پاریدولیا حاصل شود که تصاویری توهم زا و سورئال به صورت الگوریتمی تولید کند. بهینه سازی به Back - propagation شباهت دارد. ( همان انتشار معکوس است ) ، با این حال به جای تنظیم وزن های شبکه، وزن ها ثابت شده و ورودی تنظیم می شود.
wiki: رؤیای عمیق