گوگل اخیرا عملکرد شبکه عصبی پیشرفته خود موسوم به RawNeRF را به معرض نمایش گذاشته است. این شبکه قادر به حذف نویز از تصاویر ثبت شده در شرایط نوری ضعیف‌ است. این شبکه عصبی با تصاویر RAW کار کرده و همان‌طور که در تصاویر ارائه شده توسط گوگل ملاحظه می‌کنید؛ نویز تصاویر به خوبی حذف شده و وضوح عکس را تا حد زیادی افزایش می‌دهد. به‌عنوان مثال متن حک شده روی بشقاب که در تصویر اصلی دارای ظاهری ناخوانا است؛ پس از فعالیت شبکه عصبی، ظاهری خوانا پیدا کرده است.

طراحان شبکه RawNeRF ادعا می‌کنند که این ابزار در زمینه بازیابی رنگ‌ها و جزئیات کل صحنه در مقایسه با سایر شبکه‌های عصبی مشابه دارای دقت بالاتری است. بعلاوه RawNeRF قادر به تغییر موقعیت دوربین برای مشاهده صحنه از زوایای مختلف است. همچنین نورپردازی، محدوده رنگ و فوکوس تصویر قابل تغییر خواهد بود. به‌عنوان مثال ایجاد افکت بوکه امکان‌پذیر خواهد بود.

البته انجام کلیه اقدامات ویرایشی توسط شبکه عصبی مستلزم تهیه چندین عکس از زوایای مختلف با فرمت RAW خواهد بود. اگرچه فرآیند توسعه شبکه عصبی RawNeRF کماکان در جریان است؛ اما هنوز مشخص نیست که این ابزار چه زمانی به‌صورت تجاری مورد بهره‌برداری قرار می‌گیرد.

نوشته گوگل موفق به تولید یک شبکه عصبی با قابلیت حذف نویز از تصاویر شد اولین بار در آی‌ تی‌ رسان منتشر شد.

محققان هوش مصنوعی به منظور ایجاد اثرانگشت جعلی که ابزاری رویایی برای هکرها محسوب می‌شود از یک شبکه عصبی استفاده کردند. تحقیقی که در اواخر ماه اکتبر منتشر شد توضیح می‌دهد که پرینت‌های تولید شده می‌توانند بیش از 20 درصد اثرات‌انگشت واقعی در یک سیستم شناسایی بیومتریکی را عینا بازسازی نمایند.

5 پژوهشگر با سرپرستی فیلیپ بونتراگر از دانشکده مهندسی دانشگاه نیویورک، ابزاری موسوم به “DeepMasterPrints” را توسعه دادند. به گزارش نشریه گاردین، این تحقیق طی یک کنفرانس بیومتریک در شهر لس‌آنجلس ارایه شد.

مطالعه مذکور نشان می‌دهد که این تکنیک احتمالا ایجاد اثرات‌انگشت جعلی را به‌دنبال خواهد داشت؛ موضوعی که می‌تواند برای اهداف غیرقانونی مورد استفاده قرار گیرد. در واقع اگر ابزار الهام گرفته شده توسط DeepMasterPrints نهایتا با شکلی نادرست به‌کارگیری شود، در این‌صورت می‌تواند چندین اثرانگشت مربوط به کلیه حسابهای‌ کاربری یک فرد غیرقابل‌ پیش‌بینی را تولید نماید. در عمل اگر هکرها موفق شوند به حساب‌کاربری یک سیستم با مکانیسم امنیتی اثرانگشت نفوذ کنند، در این‌صورت از شانس مناسبی برای کنترل کامل آن‌ها برخوردار خواهند بود.

مثالی در خصوص چگونگی استفاده هوش مصنوعی از اثرانگشت واقعی (تصویر چپ) جهت ایجاد نمونه‌های جدید (تصویر راست)

جزء کلیدی تحقیق این واقعیت است که بسیاری از اسکنرهای بیومتریکی تنها بخشی از اثرانگشت و قسمت‌هایی از سر انگشتان را می‌خوانند که در بسیاری از موارد میان طیف وسیعی از سایر افراد مشترک هستند. بنابراین هنگامی‌که محققان با وارد نمودن مجموعه‌ای از اثرات‌انگشت واقعی به پایگاه داده، پرینت‌های جدیدی را تولید می‌کنند، هوش مصنوعی به منظور ایجاد نمونه‌های جدید با اشتراکات فراوان از بخشی از پرینت‌ها بهره می‌گیرد.

بعلاوه گزارش توضیح می‌دهد که در حال حاضر بعید است فردی با استفاده از چنین تکنیکی بتواند به اسمارت‌فون کاربر دیگری نفوذ نماید. آقای بونتراگر گفت: ” یک پیکره‌بندی مشابه بر روی اسمارت‌فون احتمالا به نرخ موفقیت یکسانی دست نخواهد یافت. مگر آن‌که این پیکره‌بندی برای آن هدف مشخص بهینه‌سازی شده باشد. این امر مستلزم اقدامات رمزگشایی فراوانی خواهد بود.”

نهایتا بونتراگر اعلام کرد که هدف این تحقیق، تشویق کمپانی‌ها جهت ارتقاء تلاش‌های امنیتی خود است. این دانشمند افزود: “امروزه تائید استخراج داده‌های بیومتریکی از یک شخص حقیقی یا سایر منابع اقدامی غیرممکن است.”

شما در این خصوص چه‌طور فکر می‌کنید؟ آیا از نظر شما سیستم‌های امنیتی بیومتریکی ایمن هستند؟ آیا شما بر روی دستگاه خود از اسکنر اثرانگشت استفاده می‌کنید؟

نوشته هک کردن سنسور اثر انگشت گوشی‌های هوشمند از آنچه فکر می‌کنید، راحت‌تر است! اولین بار در وب‌سایت فناوری پدیدار شد.

اگر به گذشته‌های دور نگاهی بیندازید، متوجه زمانی خواهید شد که نمایش‌های تلویزیونی و فیلم‌ها، مستعد به تصویر کشیدن تصاویر نویزی با رزولوشن و کیفیت پایین بودند و برطرف کردن این اشکالات و افزایش وضوح تصاویر، بیشتر شبیه به یک افسانه بود. به هرحال، به لطف توسعه فناوری هوش مصنوعی که می‌تواند به بهبود کیفیت تصاویر با رزولوشن پایین کمک کند، در حرکتی سریع و روبه‌جلو تا به امروز، این افسانه به آرامی رنگ واقعیت به خود گرفت.

در این مدت، شاهد تلاش‌های مختلفی نظیر برنامه Lets Enhance و همچنین فعالیت‌هایی از سوی شرکت گوگل در زمینه آموزش چگونگی ویرایش تصاویر به فناوری‌های هوش مصنوعی بوده‌ایم. به همین دلیل، مشاهده محققان دیگری که مشغول کار بر روی فناوری‌های مشابهی هستند، مایه تعجب نخواهد بود.

چیزی که پیش‌تر، اولویت تصویر عمیق (DIP) لقب گرفته بود، شبکه عصبی دیگری است که نه تنها می‌تواند کیفیت تصاویر با رزولوشن پایین را بهبود دهد؛ بلکه ظاهرا قادر است فایل‌های تصویری خراب را نیز تعمیر نماید.

موضوع جالب توجه در ارتباط با این روش خاص، این است که برخلاف سایر متدها که در ابتدا نیازمند اجرای فرآیند آموزش/یادگیری هوش مصنوعی هستند، شبکه عصبی DIP، در عوض از خود تصویر به عنوان یک راهنما استفاده می‌کند.

به گفته مقاله تحقیقاتی:

متد ما از یک شبکه حلقوی عمیق با مقداردهی تصادفی اولیه استفاده می‌کند تا نمونه‌برداری افزایشی از تصویر را اجرا کرده و از ساختار آن به عنوان تصویر قبلی، بهره‌برداری نماید. مشابه نمونه‌برداری افزایشی bicubic، این متد نیازی به یادگیری ندارد، اما نتایجی مطلوب‌تر، همراه با لبه‌هایی واضح‌تر را تولید خواهد کرد.

این متد، ابتکاری جالب است و بدون تردید، کارآمدتر از آن چیزی است که انسان‌ها خود قادر به انجام آن بودند. اما بایستی منتظر ماند و دید که چه زمانی متد مذکور، توسط توسعه‌دهندگان برنامه، به عنوان رویه‌ای اساسی در نرم‌افزارهای ویرایش تصویر، اجرایی خواهد شد.

نوشته توسعه شبکه عصبی توسط محققان به منظور بهبود کیفیت تصاویر با رزولوشن پایین اولین بار در پدیدار شد.

تکنولوژی به حدی سریع پیشرفت می‌کند که نمی‌توان به طور دقیق گفت که آینده چه شکلی خواهد بود، اما شاید یک چیز را با اطمینان بتوان گفت و آن این است که آینده تکنولوژی با هوش مصنوعی درآمیخته است. از آنجایی که هیچ هوش مصنوعی بدون یاد گرفتن و تکامل یافتن، هوشمند نیست، پس محققان به یادگیری عمیق روی آورده‌اند. یادگیری عمیق نوعی پیشرفته از هوش مصنوعی است که سعی می‌کند همانند مغز انسان عمل کند. یکی از مهمترین مدل‌های یادگیری عمیق، شبکه‌های عصبی هستند.

شبکه‌های عصبی می‌توانند همانند انسان یاد بگیرند و تکامل پیدا کنند. گرچه هنوز تا رسیدن به این هدف فاصله زیادی داریم، اما هر روز شاهد پیشرفت‌هایی در این زمینه هستیم. تیم گوگل در این زمینه شبکه‌های عصبی ساخته‌اند که می‌توانند روش رمزگذاری خود را ابداع کرده و ارتباط درونی خود را رمزگذاری کنند. محققان گوگل دو شبکه عصبی ساختند و اسم آنها را باب و آلیس گذاشتند. سپس این دو بگونه‌ای برنامه ریزی شدند که یک کد رمزگذاری بسازند و ارتباطات بین خود را رمزگذاری کنند. محققان سپس شبکه عصبی حوا را ساختند و از او خواستند که ارتباطات بین آلیس و باب را رمزگشایی کند. حوا نتوانست، اما توانست در زمینه رمزگشایی پیشرفت کند. البته باب و آلیس نیز بیکار ننشتند و رمزگذاری خود را دائما تکامل می‌دادند.

تیم گوگل نتیجه گرفته است که شبکه‌هاب عصبی همانند انسان در رمزگذاری موفق‌تر از رمزگشایی هستند.

نوشته شبکه‌های عصبی گوگل می‌توانند ارتباط درونی خود را رمزگذاری کنند! اولین بار در پدیدار شد.