TL;DR:

- PUG, революционное исследовательское предприятие в области искусственного интеллекта, представляет синтетические фотореалистичные наборы данных Unreal Graphics.

- Meta AI, Mila-Quebec AI Institute и Université de Montréal совместно создают PUG, используя реализм Unreal Engine.
>
— PUG представляет пакет TorchMultiverse Python, позволяющий создавать контролируемые наборы данных.

— Четыре набора данных, в том числе Животные, Тест на устойчивость, Лингвистическое зрение и Синергия зрения и языка, расширяют масштабы исследования.< br />
- PUG устанавливает новый стандарт для контролируемых данных искусственного изображения, влияя на исследования ИИ, отрасли и процесс принятия решений.

Главные новости ИИ:

Стремление к разработке переносимых и универсальных представлений данных лежит в основе достижений в области машинного обучения. Значение доступа к обширным массивам реалистичных, контролируемых данных для обучения и оценки невозможно переоценить, особенно при оценке устойчивости и беспристрастности моделей глубоких нейронных сетей. Эти атрибуты незаменимы для моделей, используемых в практических сценариях, наряду с присущей им точностью. Тем не менее поиску таких данных мешают опасения по поводу конфиденциальности, предвзятости и нарушений авторских прав. Большинство общедоступных репозиториев изображений предлагают ограниченное пространство для манипуляций, предоставляя только базовые дополнения к изображениям и недостаточные метаданные с нюансами.

В качестве решения появляется использование синтетических изображений, где все параметры, управляющие сгенерированными сценариями, тщательно контролируются. Это позволяет легко извлекать комплексные метки факторов, предлагая представление о возможностях хорошо обученных глубоких нейронных сетей, включая их надежность. Несмотря на огромный потенциал, преобладающие наборы данных синтетических изображений часто не обеспечивают идеальную платформу для более широких исследований представления изображений, в первую очередь из-за отсутствия реализма и ограниченного объема.

В ответ на это сотрудничество между исследователями из Meta AI (FAIR), Mila-Quebec AI Institute и Université de Montréal привело к революционной инновации: набору данных Photorealistic Unreal Graphics (PUG). Этот набор данных, разработанный специально для сообщества, изучающего репрезентативность, может похвастаться уровнем реализма, который значительно превосходит существующие общедоступные ресурсы. Используя Unreal Engine, известный своей реалистичной визуальной точностью и широко используемый в игровых и развлекательных секторах, команда тщательно создала среду, которая составляет основу этих наборов данных. Кроме того, был представлен пакет TorchMultiverse Python, предоставляющий удобный интерфейс Python, который не только вмещает предварительно визуализированные наборы данных статических изображений, но также облегчает беспрепятственное создание контролируемых наборов данных из любой заданной среды PUG.

Это достижение открывает новую эру, представляя четыре дополнительных набора данных, которые наглядно иллюстрируют применимость PUG в различных областях исследования:

– Исследование символического пространства. Набор данных «Животные» исследует символическое пространство в контексте исследования фундаментальной модели и обобщения вне распространения (OOD).

- Тестирование надежности. Комплексный набор изменений факторов в ImageNet, охватывающий такие аспекты, как поза, фон, размер, текстура и освещение, теперь служит дополнительным критерием оценки надежности.

- Оценка лингвистического видения. Набор данных SPAR предназначен для тщательного изучения моделей лингвистического видения и эффективно демонстрирует, как синтетические данные могут преодолевать трудности, возникающие в преобладающих тестах.

- Видение -Language Synergy. Представляя «PUG: AR4T», этот тест является свидетельством мастерства точной настройки моделей видения и языка, эффективно дополняющих возможности PUG: SPAR.

По сути, наборы данных PUG открывают новую эру, устанавливая беспрецедентный стандарт в области контролируемых данных искусственного изображения, характеризующихся его изысканным контролем и фотореализмом. Поскольку исследования в области искусственного интеллекта быстро развиваются, невозможно переоценить неоценимый вклад PUG, открывающий перспективы преобразования для отраслей, зависящих от принятия решений на основе данных и оценки передовых моделей.

Заключение:

Появление наборов данных Photorealistic Unreal Graphics (PUG) знаменует собой ключевой прогресс в исследованиях ИИ. Эти тщательно созданные наборы данных, рожденные в результате сотрудничества между ведущими учреждениями, выходят за рамки реализма и контроля. Пакет TorchMultiverse Python позволяет исследователям с легкостью перемещаться по набору данных. Поскольку приложения ИИ продолжают формировать отрасли, влияние PUG отражается не только на исследованиях, но и на рыночной конкурентоспособности, предлагая бесценную информацию и оценку моделей для стратегий, основанных на данных. Внедрение PUG потенциально может разрушить существующие парадигмы и переопределить ландшафт решений на основе ИИ.

"Источник"