Изменения

Перейти к: навигация, поиск

Generative Adversarial Nets (GAN)

608 байт добавлено, 05:54, 21 января 2021
Нет описания правки
==ControlGAN (Controllable Generative Adversarial Networks)==
Контролируемые порождающие состязательные сети (англ. Controllable Generative Adversarial Nets, '''ControlGAN''') $-$ модифицированная версия алгоритма GAN, состоящая из трех нейронных сетей: генератор, дискриминатор, классификатор. Концепт модели ControlGAN (рис. 14). Как и в обычной версии алгоритма, генератор пытается обмануть дискриминатор, и одновременно с этим пытается быть классифицированным как нужный класс в классификаторе.
Хоть CGAN и являются самыми популярными моделями для генерации образцов, зависимых от внешних данных, проблема с ними заключается в том, что они умеют генерировать образцы с задуманными отличительными чертами, но эти черты довольно глобальны, а это не всегда то, что нам нужно. К примеру, сгенерировать изображения лица со светлыми волосами не составляет проблем, но более тонкие черты, как приоткрытый рот, наличие сережек вызывают затруднения. C помощью отделения классификатора от дискриминатора, ControlGAN позволяет контролировать черты образцов. К тому же и само качество сгенерированных изображений может быть улучшено засчет того, что такое разделение на три составляющие дает возможность дискриминатору лучше выполнять свою главную задачу.
[[File:ControlGANconcept.png|200px|thumb|right|Рисунок 14. Концепт модели ControlGAN. Источник: https://arxiv.org/pdf/1708.00598.pdf]]
Концепт модели ControlGAN (рис. 14). Как и в обычной версии алгоритма, генератор пытается обмануть дискриминатор, и одновременно с этим пытается быть классифицированным как нужный класс в классификаторе.
[[File:ControlGANPrinciple.png|200px|thumb|right|Рисунок 15.
Принцип работы. Источник:https://arxiv.org/pdf/1708.00598.pdf]]
Иллюстрация принципа работы сети (рис. 15). Зеленые линии $-$ результат работы классификатора; оранжевые $-$ дискриминатора. Серые фигуры $-$ образцы из разных классов. Результат генератора обозначается голубыми участками, которыми он показывает распределение образцов, как и пытается быть классифицированным верно.  Сложность с генеративно состязательными сетями заключается в том, что не до конца понятно, как им удается определять конкретные различные характеристики, как, например, возраст и пол, и связаны ли между собой эти характеристики? 
[[File:SubspaceManipulation.png|200px|thumb|center|Рисунок 16. Манипулирование подпространством. Источник:https://arxiv.org/pdf/1907.10786.pdf]]
101
правка

Навигация