<<展開

ConditionalGAN

Facebookシェア Twitterツイート LINEで送る Googleシェア このエントリーをはてなブックマークに追加
この章を学ぶ前に必要な知識
Up
0
Down

要約

概要

調整できるパラメータを持つGAN。多クラスの画像を生成する場合はクラスラベルを、MNISTを渡す場合は10個のベクトルをパラメータとして持たせる。
ー 条件 ー
  • 与えるパラメータと対応した画像のセットを作る必要あり
ー 効果 ー
  • 生成する数字を調整するパラメータを持てる
  • 多クラスの画像生成ではパラメータを持たせることで高精度となる
ーポイントー
  • ConditionalGANは教師ありGAN、InfoGANは教師なしGAN

解  説

ConditionalGANはランダム入力のみを与えていたGANに、 制御可能なパラメータを持たせた条件付きのGANとなっている。
GANとは
ConditionalGANにおいて通常と異なる部分は以下。 入力 ・G (Generator) ランダム入力+制御したいパラメータ MNISTなら[0,0,1,0,0,0,0,0,0,0]のベクトルをノイズのベクトルの列につなげる。(この例では2を表す。出力画像は2になるはず) ・D (Discriminator)の入力 画像 + 指定したラベル画像   Gではベクトルだったが、Dの入力では画像のチャンネルを増やす。下図を参照   ◆Real画像(本当のMNIST画像)   ◆Fake画像(Generatorが作った画像)    上記両方とも対応する画像チャンネルの値を全て1などに設定する。 出力 ・G   GANの出力と同じ ・D   GANの出力と同じ
ConditionalGANの入出力
2のラベルを指定した時のネットワーク例。 Discriminatorの入力を画像のチャンネルに渡す形でパラメータ(ラベル情報)を与えているが、 Convolution層はなく全てFull-connectedならベクトルを結合するだけで構わない。
この章を学んで新たに学べる
Comments

Reasons
>>隠す

知識: GANとは
近年注目されている画像等を生成するニューラルネットワークを用いた学習手法.二つのニューラルネットワークを使って片方の識別能力をあげる点が特徴.既にGANの改良系が数十種類提案されている.