- 아니 어제 문제 풀이 앱 만들다가 12시를 넘겨서 자버렸다...
- 근데 요즘 매일 4시에 일어나다보니, 별로 안 잔 것 같은데 피곤하지가 않네;; 굳
사실 조금 피곤하긴함ㅋ
- 오늘도 핫식스로 시작해보는 하루이다...
1. DCGAN
- Generator는 training set을 단순히 암기하거나 copy하지 않는다
- Generator의 input z를 조금씩 변경하여 생성한 이미지도 완전히 다른 이미지가 나오는 것이 아니라 조금씩 변경되는 형태로 생성되는 것으로 보아, latent space의 어떤 점과 생성된 값이 1:1로 매칭되는 형태가 아님을 알 수 있었다.
- Generator에서 생성된 filter는 특정 object를 생성하는 역할을 수행한다
- 예를 들어서 어떤 filter는 창문을 생성하는 filter라면 그 filter를 제외하고 생성한 이미지에는 창문이 존재하지 않는다.
- DCGAN은 벡터 산술 연산이 가능하고, 그 결과 생성되는 이미지를 조절할 수 있다
- 웃는 여성 – 무표정 여성 + 무표정 남성 = 웃는 남성의 연산이 가능하다.
2. GAN의 활용
2-1. Pix2Pix
- Image-to-Image Translation with Conditional Adversarial Networks
2-2. CycleGAN
- Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks
2-3. DiscoGAN
- Learning to Discover Cross-Domain Relations with Generative Adversarial Networks
2-4. StyleGAN GAN
https://github.com/NVlabs/stylegan
2-5. Font Generation
- zi2zi: Master Chinese Calligraphy with Conditional Adversarial Networks
https://kaonashi-tyc.github.io/2017/04/06/zi2zi.html
2-6. Cartoon Generation GAN
- Towards the Automatic Anime Characters Creation with Generative Adversarial Networks
2-7. Text to Image GAN
- Generative Adversarial Text to Image Synthesis
https://arxiv.org/pdf/1605.05396.pdf
2-8. Face Aging GAN
- Age Progression/Regression by Conditional Adversarial Autoencoder (CAAE)
https://github.com/ZZUTK/Face-Aging-CAAE
2-9. Super resolution GAN
- GP-GAN: Towards Realistic High-Resolution Image Blending (ACMMM 2019, oral)
2-10. Anomaly detection GAN
https://github.com/AndersonJo/gan-yhat
3. 인공신경망 학습의 문제점
- 어떻게 신경망을 설계해야 좋은 성능을 보일지 모르겠다
- 데이터가 충분하지 않다
- 학습하는데 시간이 너무 오래 걸린다
3-1. Transfer Learning
- 이미 잘 학습된 모델을 가지고 파인튜닝하여 사용하자
- 유사한 Task를 수행하는 신경망의 학습 파라미터를 재사용
3-2. Meta Learning
Meta-Learning in Neural Networks: A Survey, Timothy Hospedales et al. 2020
- 어떻게 하면 학습을 잘 시킬 수 있을까?에 대한 방법들
3-2-1. Fewshot Learning
- 데이터 간의 유사도를 측정하는 함수를 학습
- k-way n-shot
- k: 클래스의 개수
- n: 클래스가 가진 샘플 수
