Обучение представлений без учителя с помощью глубоких сверточных генеративных состязательных сетей
Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks
2015-11-19
SCID: 54.1/7rkf2qat
Discuss with AI
DCGANсверточные нейронные сетиглубокие сверточные генеративно-состязательные сетиизвлеченные признаки изображенийобучение представлений без учителя
Figures from the paper
Abstract (AI)
В последние годы обучение с учителем с использованием сверточных сетей (CNN) получило широкое распространение в приложениях компьютерного зрения. Для сравнения, обучение без учителя с CNN привлекало меньше внимания. В этой работе мы стремимся помочь сократить разрыв между успехом CNN в задачах обучения с учителем и в задачах обучения без учителя. Мы представляем класс CNN, называемых глубокими сверточными генеративными состязательными сетями (DCGAN), обладающий определёнными архитектурными ограничениями, и демонстрируем, что они являются сильным кандидатом для обучения без учителя. Обучая модели на различных наборах изображений, мы приводим убедительные доказательства того, что наша глубокая сверточная состязательная пара обучается иерархии представлений от частей объектов до сцен как в генераторе, так и в дискриминаторе. Дополнительно мы используем полученные признаки для новых задач, демонстрируя их применимость в качестве общих представлений изображений.
Key Findings
1
DCGAN обучаются извлекать иерархию представлений от частей объектов до сцен в генераторе и дискриминаторе при обучении на наборах изображений.
2
DCGAN дают убедительные эмпирические свидетельства того, что сверточные архитектуры эффективны для обучения представлений без учителя.
3
Представлены глубокие сверточные генеративные состязательные сети (DCGAN), класс сверточных нейросетей с определёнными архитектурными ограничениями для обучения без учителя.
4
Извлечённые признаки DCGAN применимы как общие представления изображений для новых задач, что демонстрирует их переносимость за пределы обучения.
Research Object
Глубокие сверточные генеративно-состязательные сети (DCGAN), обученные на наборах изображений
Research Subject
Способность DCGAN к обучению представлений в несупервизируемом режиме, т.е. иерархия изученных признаков изображений в генераторе и дискриминаторе и их применимость в качестве универсальных представлений изображений
Publication Details
Publication Date
2015-11-19
Journal
Publisher
ISSN
Cited by
12235
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai2
Работы, цитирующие эту статью20
Непарный перенос изображений с помощью циклически согласованных состязательных сетей2017
Преобразование изображений в изображения с помощью условных состязательных сетей2017
Обзор методов аугментации изображений для глубокого обучения2019
Фотореалистичное повышение разрешения одиночного изображения с использованием генеративной состязательной сети2017
Генеративные состязательные сети с методом наименьших квадратов2017
Обзор сверточных нейронных сетей: анализ, применения и перспективы2021
Генеративные состязательные сети: обзор2018
Автоматическое проектирование химических соединений с использованием управляемого данными непрерывного представления молекул2018
Генеративные состязательные сети с механизмом самовнимания2018
Понимание и устранение патологий потока градиентов в физически информированных нейронных сетях2021
Федеративное обучение в мобильных сетях периферийных вычислений: всесторонний обзор2020
Обзор алгоритмов и архитектур глубинного обучения2019
Искусственный интеллект и интеллектуальное компьютерное зрение для строительства и строительной отрасли 4.0: методы и применения машинного и глубокого обучения2022
Обзор методов глубокого обучения для кибербезопасности2019
Глубокое обучение для обнаружения аномалий во временных рядах данных: обзор, анализ и рекомендации2021
Реконструкция трёхмерных пористых сред с использованием генеративных состязательных нейронных сетей2017
Методы машинного обучения для решения задач, связанных с малыми объемами данных в молекулярной науке2023
MuseGAN: Многодорожечные последовательные генеративные состязательные сети для символической генерации музыки и акомпанемента2018
Обзор алгоритмов с экономным использованием данных в эпоху больших данных2021
Дискриминация сейсмических волн с помощью машинного обучения: применение для раннего предупреждения о землетрясениях2018