Hier soir aux Data News Awards, ML6 a remporté le prix de l'AI Innovator of the Year, et cela n'a pas manqué d'être illustré un peu plus tard durant l'événement. Etiez-vous de la partie? Dans ce cas, vous n'avez pu manquer le 'face morphing video' durant la présentation des 15 nominés au titre de l'ICT Personality of the Year. Les visages des 15 nominés se sont visuellement entremêlés avec, à chaque fois, un aspect félin, bien dans la lignée du thème 'Stay Wild' de la soirée.

'Ce que nous avons fait pour pouvoir réaliser le morphing video pour Data News, c'est recourir à un Generative Adversarial Network (GAN) capable de générer des visages humains et félins (en fonction du thème choisi)', explique Jan Van Looy, Computer Vision Chapter Lead chez ML6. 'Une fois que c'est fait, on prend deux visages - par exemple d'un lauréat et d'un puma - et le modèle à imiter. Dès que deux imitations sont effectuées, qui divergent à peine des véritables illustrations, on peut générer aussi tous les 'visages' intermédiaires en faisant passer lentement la représentation numérique d'un visage par-dessus un autre. Il en va de même pour l'image d'un puma par-dessus celle d'un autre lauréat', explique Jan Van Looy.

Explications quelque peu plus techniques

Un Generative Adversarial Network (GAN) renvoie à un réseau neural, qui a appris à générer (generative) des images dans une sorte de jeu compétitif (adversarial) avec un opposant (un autre réseau neural). Pour créer un tel modèle, il s'agit d'abord d'en former un autre pour qu'il puisse identifier des visages et signaler dans quelle mesure une image ressemble à un visage ou pas, le soi-disant discriminator. On y arrive en affichant d'énormes quantités d'illustrations de visages et d'autres éléments et en indiquant à chaque fois s'il s'agit d'un visage ou pas. En fin de compte, le réseau neural est capable d'identifier quasiment chaque visage et de donner une valeur de la conviction avec laquelle il estime avoir reconnu un visage.

Une fois qu'on dispose de ce réseau discriminateur, on peut former l'authentique modèle génératif, à savoir le 'generator'. Ce que fait ce dernier en réalité, c'est générer des images aléatoires qui, au début, ressemblent simplement à du bruit et qui sont présentées au discriminateur. 'Le discriminateur s'apparente à une maîtresse d'école qui attribue des points au travail du générateur, des points qui sont très mauvais initialement. Au fur et à mesure que le générateur produit des images aléatoires qui ressemblent davantage à un visage et reçoivent donc de meilleurs points, il apprend à connaître les préférences du discriminateur et ce qui rend donc un visage reconnaissable en tant que tel. Si vous poussez suffisamment longtemps ce jeu de générer, attribuer des points, générer, attribuer des points, etc., vous obtenez alors un réseau neural capable de générer des visages qu'il n'a jamais vus auparavant et que l'oeil humain ne peut distinguer des véritables visages', ajoute encore Van Looy.

Voici quels étaient les 15 nominés au titre d'ICT Personality of the Year

Par ordre d'apparition dans la vidéo: 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 et Jonathan Berte

Hier soir aux Data News Awards, ML6 a remporté le prix de l'AI Innovator of the Year, et cela n'a pas manqué d'être illustré un peu plus tard durant l'événement. Etiez-vous de la partie? Dans ce cas, vous n'avez pu manquer le 'face morphing video' durant la présentation des 15 nominés au titre de l'ICT Personality of the Year. Les visages des 15 nominés se sont visuellement entremêlés avec, à chaque fois, un aspect félin, bien dans la lignée du thème 'Stay Wild' de la soirée.'Ce que nous avons fait pour pouvoir réaliser le morphing video pour Data News, c'est recourir à un Generative Adversarial Network (GAN) capable de générer des visages humains et félins (en fonction du thème choisi)', explique Jan Van Looy, Computer Vision Chapter Lead chez ML6. 'Une fois que c'est fait, on prend deux visages - par exemple d'un lauréat et d'un puma - et le modèle à imiter. Dès que deux imitations sont effectuées, qui divergent à peine des véritables illustrations, on peut générer aussi tous les 'visages' intermédiaires en faisant passer lentement la représentation numérique d'un visage par-dessus un autre. Il en va de même pour l'image d'un puma par-dessus celle d'un autre lauréat', explique Jan Van Looy.Un Generative Adversarial Network (GAN) renvoie à un réseau neural, qui a appris à générer (generative) des images dans une sorte de jeu compétitif (adversarial) avec un opposant (un autre réseau neural). Pour créer un tel modèle, il s'agit d'abord d'en former un autre pour qu'il puisse identifier des visages et signaler dans quelle mesure une image ressemble à un visage ou pas, le soi-disant discriminator. On y arrive en affichant d'énormes quantités d'illustrations de visages et d'autres éléments et en indiquant à chaque fois s'il s'agit d'un visage ou pas. En fin de compte, le réseau neural est capable d'identifier quasiment chaque visage et de donner une valeur de la conviction avec laquelle il estime avoir reconnu un visage.Une fois qu'on dispose de ce réseau discriminateur, on peut former l'authentique modèle génératif, à savoir le 'generator'. Ce que fait ce dernier en réalité, c'est générer des images aléatoires qui, au début, ressemblent simplement à du bruit et qui sont présentées au discriminateur. 'Le discriminateur s'apparente à une maîtresse d'école qui attribue des points au travail du générateur, des points qui sont très mauvais initialement. Au fur et à mesure que le générateur produit des images aléatoires qui ressemblent davantage à un visage et reçoivent donc de meilleurs points, il apprend à connaître les préférences du discriminateur et ce qui rend donc un visage reconnaissable en tant que tel. Si vous poussez suffisamment longtemps ce jeu de générer, attribuer des points, générer, attribuer des points, etc., vous obtenez alors un réseau neural capable de générer des visages qu'il n'a jamais vus auparavant et que l'oeil humain ne peut distinguer des véritables visages', ajoute encore Van Looy.