ML6 haalde gisterenavond op de Data News Awards de AI Innovator of the Year award binnen: iets wat later op de avond ook visueel geïllustreerd werd. Was u er bij? Dan zag u tijdens de voorstelling van de 15 kanshebbers op de titel ICT Personality of the Year ongetwijfeld ook de face morphing video passeren. De gezichten van de 15 genomineerden gingen visueel over in elkaar, met tussenin telkens een katachtige - volledig volgens het 'Stay Wild' thema van de avond.

'Wat wij hebben gedaan om de morphing video voor Data News te kunnen maken is een Generative Adversarial Network (GAN) getraind die in staat is om gezichten van mensen en van katachtigen (het thema van de video) te genereren', legt Jan Van Looy, Computer Vision Chapter Lead bij ML6, uit. 'Eens je die hebt kan je twee gezichten nemen - bijvoorbeeld van een laureaat en van een poema - en het model die laten nabootsen. Eens je de twee nabootsingen hebt, die nauwelijks te onderscheiden zijn van de echte afbeeldingen, kan je ook alle tussenliggende 'gezichten' genereren door de numerieke representatie van het ene gezicht langzaam te laten overgaan in die van het andere. Hetzelfde kan je dan doen van het beeld van een poema naar dat van de volgende laureaat.', aldus Jan Van Looy.

Wat technischer: Generative Adversarial Network

Een Generative Adversarial Network (GAN) verwijst naar een neuraal netwerk dat beelden heeft leren genereren (generative) in een soort van competitief (adversarial) spel met een tegenstander (een ander neuraal netwerk). Om zo'n model te bouwen moet je eerst een ander model trainen dat gezichten kan herkennen en dat kan zeggen in welke mate een afbeelding lijkt op een gezicht of niet, de zogenaamde discriminator. Dat doe je door enorme hoeveelheden afbeeldingen van gezichten en van andere zaken te tonen en telkens aan te geven of het een gezicht is of niet. Uiteindelijk kan het neuraal netwerk zo goed als elk gezicht herkennen en een waarde geven van de overtuiging waarmee het een gezicht gezien meent te hebben.

'Als een schooljuffrouw'

Eens je dat discriminator netwerk hebt kan je je echte generatieve model, de zogenaamde 'generator', gaan trainen. Wat die eigenlijk doet is willekeurige afbeeldingen genereren die in het begin gewoon op ruis lijken en die aan de discriminator voorleggen. 'De discriminator is dan zo'n beetje de schooljuffrouw die punten geeft op het werk van de generator, en dat zijn in het begin heel lage punten. Naarmate de generator nieuwe willekeurige afbeeldingen genereert die toevallig meer op een gezicht lijken en dus hogere scores krijgen, gaat hij leren waar de discriminator van houdt en wat dus eigenlijk een gezicht herkenbaar maakt als een gezicht. Als je dit spel van genereren, punten geven, genereren, punten geven, enzovoort lang genoeg volhoudt, dan krijg je een neuraal netwerk dat in staat is om gezichten te genereren die het nooit eerder heeft gezien en die toch niet meer met het blote oog van echte gezichten te onderscheiden zijn', aldus nog Van Looy.

Dit waren de 15 finale kanshebbers op de titel ICT Personality of the Year

In volgorde van verschijnen in de video: Karen Boers , Duco Sickinghe, Bart Preneel, Frank Robben, Luc Van den Hove, Pieter Janssens, Walter Van Uytven, Hans Witdouck, Fabien Pinckaers, Barbara Van den Haute, Aline Muylaert, Julie Foulon, François Gerard, Leslie Cottenjé, Jonathan Berte. De 15 finalisten werden door de redactie van Data News geselecteerd uit een longlist van 50 kanshebbers die voldoen aan de criteria.

ML6 haalde gisterenavond op de Data News Awards de AI Innovator of the Year award binnen: iets wat later op de avond ook visueel geïllustreerd werd. Was u er bij? Dan zag u tijdens de voorstelling van de 15 kanshebbers op de titel ICT Personality of the Year ongetwijfeld ook de face morphing video passeren. De gezichten van de 15 genomineerden gingen visueel over in elkaar, met tussenin telkens een katachtige - volledig volgens het 'Stay Wild' thema van de avond.'Wat wij hebben gedaan om de morphing video voor Data News te kunnen maken is een Generative Adversarial Network (GAN) getraind die in staat is om gezichten van mensen en van katachtigen (het thema van de video) te genereren', legt Jan Van Looy, Computer Vision Chapter Lead bij ML6, uit. 'Eens je die hebt kan je twee gezichten nemen - bijvoorbeeld van een laureaat en van een poema - en het model die laten nabootsen. Eens je de twee nabootsingen hebt, die nauwelijks te onderscheiden zijn van de echte afbeeldingen, kan je ook alle tussenliggende 'gezichten' genereren door de numerieke representatie van het ene gezicht langzaam te laten overgaan in die van het andere. Hetzelfde kan je dan doen van het beeld van een poema naar dat van de volgende laureaat.', aldus Jan Van Looy.Een Generative Adversarial Network (GAN) verwijst naar een neuraal netwerk dat beelden heeft leren genereren (generative) in een soort van competitief (adversarial) spel met een tegenstander (een ander neuraal netwerk). Om zo'n model te bouwen moet je eerst een ander model trainen dat gezichten kan herkennen en dat kan zeggen in welke mate een afbeelding lijkt op een gezicht of niet, de zogenaamde discriminator. Dat doe je door enorme hoeveelheden afbeeldingen van gezichten en van andere zaken te tonen en telkens aan te geven of het een gezicht is of niet. Uiteindelijk kan het neuraal netwerk zo goed als elk gezicht herkennen en een waarde geven van de overtuiging waarmee het een gezicht gezien meent te hebben.Eens je dat discriminator netwerk hebt kan je je echte generatieve model, de zogenaamde 'generator', gaan trainen. Wat die eigenlijk doet is willekeurige afbeeldingen genereren die in het begin gewoon op ruis lijken en die aan de discriminator voorleggen. 'De discriminator is dan zo'n beetje de schooljuffrouw die punten geeft op het werk van de generator, en dat zijn in het begin heel lage punten. Naarmate de generator nieuwe willekeurige afbeeldingen genereert die toevallig meer op een gezicht lijken en dus hogere scores krijgen, gaat hij leren waar de discriminator van houdt en wat dus eigenlijk een gezicht herkenbaar maakt als een gezicht. Als je dit spel van genereren, punten geven, genereren, punten geven, enzovoort lang genoeg volhoudt, dan krijg je een neuraal netwerk dat in staat is om gezichten te genereren die het nooit eerder heeft gezien en die toch niet meer met het blote oog van echte gezichten te onderscheiden zijn', aldus nog Van Looy.