南通新聞-資訊-生活第一門戶 南通網首頁
新聞 南通時政 南通服務 互動 公告活動 爆 料 臺 汽車 汽車行情 汽車保養 南通論壇
娛樂 娛情八卦 電影電視 圖片 圖說南通 酷圖熱圖 房產 熱點樓盤 房價曝光 數字報紙
您的當前位置: >> 正文

流行之下,每個人都停止喝奶茶了嗎?向飄飄報告他在第一季度首次虧損,凈利潤下降了200%以上

流行之下,每個人都停止喝奶茶了嗎?向飄飄報告他在第一季度首次虧損,凈利潤下降了200%以上

夏日清凉感穿搭

    
“不是每個人都在流行病下喝奶茶嗎?

作者 I 市界 沈淼編輯 I 朗明4月24日晚間,膾炙人口的奶茶品牌香飄飄公布了2019年年報及2020年第一季報表。    本文來自微信公眾號:qubit(ID:QbitAI),作者:栗子,肖調查,標題來自:電影《 Real Steel》AI造出的假圖片,恐怕很難再騙過AI了。連英偉達本月剛上線的StyleGAN2也被攻破了。其中營收39億,同比增長22.36%;凈利潤3.47億,同比增長10.39%,現金流也有所增長。即使是人眼都分辨看不出來假臉圖片,還是可以被AI正確鑒別。最新研究發現,只要用讓AI學會鑒別某一只GAN生成的假圖片,它就掌握了鑒別各種假圖的能力。不論是GAN生成的,Deepfake的,超分辨率的,還是怎樣得來的,只要是AI合成圖片,都可以拿一個通用的模型檢測出來。盡管各種CNN的原理架構完全不同,但是并不影響檢測器發現造假的通病。

只要做好適當的預處理和后處理,以及適當的數據擴增,便可以鑒定圖片是真是假,不論訓練集里有沒有那只AI的作品。這就是Adobe和UC伯克利的科學家們發表的新成果。有網友表示,如果他們把這項研究用來參加Kaggle的假臉識別大賽,那么將有可能獲得最高50萬美元獎金。疫情之下大家不喝奶茶了?香飄飄一季報首虧,凈利下滑超200%

一季報數據下滑較大。然而他們并沒有,而是先在ArXiv公布了預印本,并且還被CVPR 2020收錄。營收4.3億,同比下降48.61%,凈利潤出現了虧損,同比下降超過200%。這是香飄飄上市以來出現的首次虧損,對比近三年一季報可看出差距。疫情之下大家不喝奶茶了?香飄飄一季報首虧,凈利下滑超200%

據公開資料,香飄飄食品股份有限公司成立于2005年,總部位于浙江省湖州市,主營業務為飲料,2017年在上海主板上市交易,法定代表人為蔣建琪,實際控制人為蔣建琪,陸家華。香飄飄稱,此次一季度營收利潤下滑主要是因為突發新冠疫情導致春節后續生產出貨未達預期以及學校開學時間一再延期導致即飲產品渠道鋪貨及動銷較少。二級市場上,香飄飄股價從2019年下半年開始下跌,從2019年8月到2020年2月的半年時間里從38元/股跌至19.5元/股。隨后開始有所建议将游泳纳入义教必修课_BOB官方網站平臺回升,截止4月24日收盤,香飄飄報29.26元/股,市值122億。疫情之下大家不喝奶茶了?香飄飄一季報首虧,凈利下滑超200%

歷年數據上,香飄飄近五年凈利潤一直保持增長,漲幅最大的是2016年,同比增長30.48%,其次是2018年,同比漲幅17.53%。

最近,他們甚至將論文代碼在GitHub上開源,還提供了訓練后的權重供讀者下載。造出7萬多張假圖
要考驗AI鑒別假貨的能力,論文的第一作者、來自伯克利的學生Wang Sheng-Yu用11種模型生成了不同的圖片,涵蓋了各種CNN架構、數據集和損失。所有這些模型都具有上采樣卷積結構,通過一系列卷積運算和放大操作來生成圖像,這是CNN生成圖像最常見的設計。疫情之下大家不喝奶茶了?香飄飄一季報首虧,凈利下滑超200%

香飄飄近五年凈利潤(億元)。有ProGAN、StyleGAN、BigGAN、BigGAN、GauGAN等等,這些GAN各有特色。ProGAN和StyleGAN為每個類別訓練不同的網絡;StyleGAN將較大的像素噪聲注入模型,引入高頻細節;BigGAN具有整體式的類條件結構;進行圖像轉換的GauGAN、CycleGAN、StarGAN。除了GAN以外,還有其他處理圖片的神經網絡:直接優化感知損失 ,無需對抗訓練的級聯細化網絡(CRN);條件圖像轉換模型隱式最大似然估計(IMLE);改善低光照曝光不足的SITD模型;超分辨率模型,即二階注意力網絡(SAN);用于換臉的的開源DeepFake工具faceswap。主流圖片處理CNN模型應有盡有,他們總共造出了7萬多張“假圖”。雖然生成這些圖片所用的算法大相徑庭、風格迥異,但是總有會有一些固有缺陷,這里面既有CNN本身的問題,也有GAN铁路一次运输上百台坦克装甲车_BOB官方網站平臺的局限性。這是因為常見的CNN生成的內容降低了圖片的表征能力,而這些工作大部分集中在網絡執行上采樣和下采樣的方式上。下采樣是將圖像壓縮,上采樣是將圖像插值到更大的分辨率上。之前,Azulay和Weiss等人的研究表明,表明卷積網絡忽略了經典的采樣定理,而跨步卷積(strided convolutions)操作減少了平移不變性,導致很小的偏移也會造成輸出的極大波動。另外,朱俊彥團隊發表在ICCV 2019上的論文表明,GAN的生成能力有限,并分析了預訓練GAN無法生成的圖像結構。今年7月,哥倫比亞大學的Zhang Xu等人進一步發現了GAN的“通病”,常見GAN中包含的上采樣組件會引起偽像。他們從理論上證明了,這些偽像在頻域中表現為頻譜的復制,這在頻譜圖上表現十分明顯。比如同樣是一張馬的圖片,真實照片的信號主要集中在中心區域,而GAN生成的圖像,頻譜圖上出現了四個小點。因此他們提出了一種基于頻譜而不是像素的分類器模型,在分辨假圖像上達到了最先進的性能。而Wang同學發現,不僅是GAN,其他的CNN在生成圖像時,也會在頻譜圖中觀察到周期性的圖案。訓練AI辨別真偽
剛才生成的數據集,包含了11個模型生成的假圖。不過,真假分類器并不是用這個大合集來訓練的。真正的訓練集里,只有英偉達ProGAN這一個模型的作品,這是關鍵。ProGAN過往作品展
團隊說,只選一個模型的作品用來訓練,是因為這樣的做法更能適應現實任務:現實世界里,數據多樣性永遠是未知的,你不知道自己訓練出的AI需要泛化到怎樣的數據上。所以,干脆就用一種模型生成的圖像來訓練,專注于幫AI提升泛化能力。

而其他模型生成的作品,都是測試泛化能力用的。

(如果用很多模型的假圖來訓練,泛化任務就變得簡單了,很難觀察出泛化能力有多強。)具體說來,真假分類器是個基于ResNet-50的網絡,先在ImageNet上做了預訓練,然后用ProGAN的作品做二分類訓練。

ProGAN原理不過,訓練集不是一只ProGAN的作品。團隊用了20只ProGAN,每只負責生成LSUN數據集里的一個類別。一只ProGAN得到3.6萬張訓練用圖,200張驗證用圖,一半是生成的假圖,一半是真圖。

把20只ProGAN的成果加在一起,訓練集有72萬張,驗證集有4000張。

為了把單一數據集的訓練成果,推廣到其他的數據集上,團隊用了自己的方法:最重要的就是數據擴增。先把所有圖像左右翻轉,然后用高斯模糊,JPEG壓縮,以及模糊 JPEG這些手段來處理圖像。擴增手段并不特別,重點是讓數據擴增以后處理的形式出現。

團隊說,這種做法帶來了驚人的泛化效果。

訓練好了就來看看成果吧。

明辨真偽
研究人員主要是用平均精度(Average Precision)這個指標,來衡量分類器的表現。

在多個不同的CNN模型生成的圖片集里,ProGAN訓練出的分類器都得到了不錯的泛化:幾乎所有測試集,AP分值都在90以上。只在StyleGAN的分值略低,是88.2。不論是GAN,還是不用對抗訓練、只優化感知損失的模型、還是超分辨率模型,還是Deepfake的作品,全部能夠泛化。團隊還分別測試了不同因素對泛化能力產生的影響:一是,數據擴增對泛化能力有所提升。

比如,StyleGAN從96.3提升到99.6,BigGAN從72.2提升到88.2,GauGAN從67.0提升到98.1等等。更直觀的表格如下,左邊是沒有擴增:另外,數據擴增也讓分類器更加魯棒了。二是,數據多樣性也對泛化能力有提升。還記得當時ProGAN生成了LSUN數據集里20個類別的圖片吧。大體上看,用越多類別的圖像來訓練,得到的成績就越好:然后,再來試想一下,這時候如果突然有個新模型被開發出來,AI也能適應么?這里,團隊用了剛出爐沒多久的英偉達StyleGAN2,發現分類器依然可以良好地泛化:最后,還有一個問題。AI識別假圖,和人類用肉眼判斷的機制一樣么?團隊用了一個“Fakeness(假度)”分值,來表示AI眼里一張圖有多假。AI覺得越假,分值越高。實驗結果是,在大部分數據集里,AI眼里的假度,和人類眼里的假度,并沒有明顯的相關性。只在BigGAN和StarGAN兩個數據集上,假度分值越高時,能看到越明顯的瑕疵。更多數據集上沒有這樣的表現,說明分類器很有可能更傾向于學習低層的缺陷,而肉眼看到的瑕疵可能更偏向于高層。安裝使用
說完了論文,下面我們就可以去GitHub上體驗一下這個模型的厲害了。論文源代碼基于PyTorch框架,需要安裝NVIDIA GPU才能運行,因為項目依賴于CUDA。

首先將項目克隆到本地,安裝依賴項。

pip install -r 沉迷刷单被骗30余万_BOB官方網站平臺requirements.txt考慮到訓練成本巨大,作者還近40年来野外再次发现白狍_BOB官方網站平臺提供權重和測試集下載,由于這些文件存放在Dropbox上不便國內用戶下載,在我們公眾號中回復CNN即可獲得國內網盤地址。

下載完成后將這兩個文件移動到weights目錄下。然后我們就可以用來判別圖像的真假了:# Model weights need to be downloaded.python demo.py examples/real.png weights/blur_jpg_prob0.1.pthpython demo.py examples/fake.png weights/blur_jpg_prob0.1.pth如果你有能力造出一個自己的GAN,還可以用它來檢測你模型的造假能力。# Run evaluation script. Model weights need to be down美国购买冰箱可能要等两个月_BOB官方網站平臺loaded.python eval.py作者就用它鑒別了13種CNN模型制造的圖片,證明了它的泛化能力。閃閃發光的作者團
這篇文章的第一作者是來自加州大學伯克利分校的Wang Sheng-Yu,他現在是伯克法国去年12月底已有人感染病毒_BOB官方網站平臺利人工智能研究實驗室(BAIR)的一名研究生,在鑒別假圖上是個好手。今年他和Adobe合作的另一篇論文Detecting Photoshopped Faces by Scripting Photoshop,可以發現照片是否經過PS瘦臉美顏的操作,而且還能恢復“照騙”之前的模樣。這篇的另一名作者Richard Zhang,與Wang同學在上面的文章中也有合作,2018年之前他在伯克利攻讀博士學位,畢業后進入Adobe工作。這篇文章的通訊作者Alexei Efros,他曾是朱俊彥的導師,本文提到的CycleGAN正是出自朱俊彥博士之手。Alexei現在是加州大學伯克利分校計算機系教授,此前曾在CMU機器人學院任教9年。傳送門
論文地址:https://arxiv.org/abs/1912.11035源代碼:https://github.com/peterwang512/CNNDetection。

平均每个美国人获中国出口口罩近40只

當前文章:http://www.786105.live/8c635caa5d0ad188f4/364714zujzml.html

發布時間:00:14:00

 

一鍵分享至

相關新聞

酷圖熱圖

2018CBDF中 ...
我國成功發射陸地勘 ...
中國成功發射陸地勘 ...
航拍淮安白馬湖畔金 ...

南通日報社 2009-2016 版權所有

不習慣計算機的黑色大邊緣?蘋果申請新的Mac專利

免責聲明:本網站所刊登、轉載的各種圖片、稿件是為傳播更多的信息,本網不承擔此類稿件侵權行為的連帶責任。

電話: 郵箱:

聯系地址:中國江蘇省南通市西寺路10號

X
選擇其他平臺 >>
分享到
单机贵阳麻将游戏下载 龙虎计划网 000598股票行情 怎么炒股票新手入门 黑龙江体育彩票6 1 体彩11选5助手下载 3d频道 3d试机号 宁夏11选5彩种大厅 大发快三免费计划 美股指数历年 广东26选5开奖查询