Nefarious AI crea immagini di cibo delizioso che non esiste

0
157
Tecniche per aumentare il proprio apprendimento linguistico

Un team di ricercatori dell’Università di Tel-Aviv ha sviluppato una rete neurale in grado di leggere una ricetta e generare un’immagine di come sarebbe stato il prodotto finito. Come se i DeepFakes non fossero abbastanza, ora non possiamo neanche essere sicuri che il cibo delizioso che vediamo online sia reale.

Il team di Tel-Aviv, composto dai ricercatori Ori Bar El, Ori Licht e Netanel Yosephian, ha creato la loro IA utilizzando una versione modificata di una rete generativa in contraddittorio (GAN) chiamata StackGAN V2 e 52K combinazioni immagine/ricette dal gigantesco dataset di ricette1M. Fondamentalmente, il team ha sviluppato un’intelligenza artificiale che può prendere quasi tutti gli ingredienti e le istruzioni e capire come appare il prodotto alimentare finito.

Il ricercatore Ori Bar El ha detto:

Tutto è iniziato quando ho chiesto a mia nonna una ricetta delle sue leggendarie cotolette di pesce con salsa di pomodoro. A causa della sua età avanzata non ricordava la ricetta esatta. Così, mi chiedevo se potevo costruire un sistema che, data l’immagine di un alimento, potesse produrre la ricetta. Dopo aver pensato a questo compito per un po’ ho concluso che è troppo difficile per un sistema ottenere una ricetta esatta con quantità reali e con ingredienti “nascosti” come sale, pepe, burro, farina, ecc.

Poi, invece, mi sono chiesta se posso fare il contrario. Vale a dire, generando immagini di cibo sulla base delle ricette. Crediamo che questo compito sia molto impegnativo per gli esseri umani, a maggior ragione per i computer. Dal momento che la maggior parte degli attuali sistemi di IA cercano di sostituire gli esperti umani in compiti che sono facili per gli umani, abbiamo pensato che sarebbe stato interessante risolvere un tipo di compito che è anche al di là delle capacità umane. Come potete vedere, può essere fatto in una certa misura di successo.

Vale la pena ricordare che la qualità delle immagini del dataset recipe1M è bassa rispetto alle immagini dei dataset CUB e Oxford102. Questo si riflette in molte immagini sfocate con cattive condizioni di illuminazione, immagini “a porridge” e il fatto che le immagini non sono di forma quadrata. Questo fatto potrebbe spiegare il fatto che entrambi i modelli sono riusciti a generare immagini di cibo “tipo porridge” (ad esempio pasta, riso, zuppe, insalata) ma si sforza di generare immagini di cibo che hanno una forma distintiva (ad esempio hamburger, pollo, bevande).

Cosa ne pensi?

Il team intende continuare a sviluppare il sistema, estendendosi, si spera, in domini che vanno oltre il cibo. Ci ha detto Ori Bar El: Abbiamo in programma di estendere il lavoro formando il nostro sistema sul resto delle ricette (abbiamo circa 350.000 immagini in più), ma il problema è che il dataset attuale è di bassa qualità. Non abbiamo trovato nessun altro dataset disponibile adatto alle nostre esigenze, ma potremmo costruire da soli un dataset che contiene testi di libri per bambini e immagini corrispondenti. Rimani su Scoprire, per trovare, ogni giorno, le notizie curiose del mondo.

 

LASCIA UN COMMENTO

Inserisci il tuo commento
Inserisci il tuo nome