التاليالدليل التالي
ESRGAN وGAN فائقة الدقة
الذكاء الاصطناعي البصري
دليل الذكاء الاصطناعي المرئي
فاسرشتاين غان
Wasserstein GAN (WGAN) هو إعادة تصميم لهدف تدريب GAN الذي يستخدم مسافة Wasserstein بدلاً من خسارة الحد الأدنى والحد الأقصى الأصلية.
استمع إلى هذا الدليلرواه الذكاء الاصطناعي · ~2 min
في هذه الصفحةقراءة لمدة دقيقتين
نظرة عامة
فهو يجعل تدريب GAN غير المستقر أكثر موثوقية بكثير ويعطي قيمة خسارة ترتبط فعليًا بجودة الصورة.
الغوص العميق
تقوم شبكات GAN الأصلية بتدريب شبكتين في لعبة شد الحبل: يقوم المولد بإنشاء صور مزيفة ويحاول التمييز اكتشافها. غالبًا ما ينهار هذا أو يتوقف لأن خسارة التمييز لا تقول شيئًا مفيدًا عن التقدم. تستبدل WGAN، التي قدمها Arjovsky وChintala وBottou في عام 2017، أداة التمييز بـ "الناقد" الذي يسجل مدى واقعية الصورة على نطاق مستمر بدلاً من تصنيف الصورة الحقيقية مقابل المزيفة. يصبح هدف التدريب هو مسافة فاسرشتاين (محرك الأرض) بين توزيعات البيانات الحقيقية والمولدة. توفر هذه المسافة تدرجات أكثر سلاسة وذات معنى حتى عندما يتداخل التوزيعان بالكاد، مما يقلل بشكل كبير من انهيار الوضع ويجعل منحنى الخسارة إشارة جودة حقيقية.
التنفيذ في العالم الحقيقي
إنشاء وجوه وأنسجة واقعية حيث انهارت شبكات GAN الفانيليا إلى عدد قليل من المخرجات المتكررة
إنتاج صور طبية اصطناعية، مثل التصوير بالرنين المغناطيسي أو الرقع النسيجية، لزيادة مجموعات البيانات النادرة ذات العلامات
نمذجة أحداث تصادم الجسيمات في عمليات محاكاة فيزياء الطاقة العالية حيث يعد التدريب المستقر أمرًا بالغ الأهمية
يعمل كمعيار أساسي في أبحاث تعلم الآلة لأن فقدانه يتتبع جودة العينة خلال التدريب
مستقبل فاسرشتاين غان
إن رؤية WGAN الأساسية، وهي أن اختيار مسافة التوزيع يشكل جودة التدرج، لا تزال تتردد من خلال النمذجة التوليدية. في حين أن نماذج الانتشار تهيمن الآن على تركيب الصور، فإن أفكار النقل الأمثل من WGAN تظهر مرة أخرى في مطابقة التدفق، وطرق جسر شرودنغر، وتقطير نماذج الانتشار إلى مولدات سريعة قليلة الخطوات. توقع أن تستمر أهداف أسلوب واسرشتاين في إثراء الأساليب الهجينة حيث يكون التدريب المستقر ومقياس الخسارة ذو معنى، خاصة في المجالات العلمية ومنخفضة البيانات.
وضعها موضع التنفيذ
لماذا يهم
- السرعة والحجم. يمكن للذكاء الاصطناعي المرئي أتمتة مهام الفحص والكشف ووضع العلامات على نطاق واسع.
- خيارات البناء. يمكن للفرق الإبداعية إنشاء نماذج أولية للمفاهيم بشكل أسرع مع عدد أقل من المراجعات اليدوية.
- الفريق وسير العمل. يمكن أن تستخدم العمليات إشارات الصور والفيديو التي كان من الصعب معالجتها في السابق.
احترس من
- يمكن أن تصبح حقوق الصور والموافقة مخاطر قانونية إذا كان المصدر غير واضح.
- يمكن أن يختلف أداء النموذج عبر الإضاءة والتركيبة السكانية والبيئات.
- قد تمر الإيجابيات الكاذبة دون أن يلاحظها أحد ما لم تتم مراقبة عتبات الثقة.
الخطوات التالية
- تحديد معايير القبول لتكاليف الدقة والاستدعاء والخطأ.
- اختبار مع البيانات التي تتوافق مع ظروف الإنتاج الحقيقية.
- أضف مراجعة بشرية للتنبؤات منخفضة الثقة أو عالية التأثير.
- تتبع انحراف النموذج وإعادة التحقق من صحته بعد تغيير الكاميرا أو مجموعة البيانات.
استمر في الاستكشاف
رسالة إخبارية مجانية
احصل على الإحاطة اليومية لمنظمة العفو الدولية
ثلاث قصص تم التحقق منها بواسطة الذكاء الاصطناعي كل صباح من أيام الأسبوع، مكتوبة باللغة الإنجليزية البسيطة. مجاني للأبد، بدون إعلانات.
بريد إلكتروني واحد كل يوم من أيام الأسبوع. إلغاء الاشتراك بنقرة واحدة. نحن لا نبيع أو نشارك عنوانك أبدًا.
اختبر نفسك
Take the Wasserstein GAN quiz
تعليقات فورية على كل إجابة، وشهادة قابلة للمشاركة مع معرف يمكن التحقق منه بمجرد اجتياز الدورة التدريبية.
دعم تعليم الذكاء الاصطناعي المجاني. AI Understanding هي منظمة 501(c)(3) غير ربحية - لا إعلانات ولا نظام حظر الاشتراك غير المدفوع على الإطلاق. قم بالتبرع
الأسئلة المتداولة
ما هو فاسرشتاين غان؟
Wasserstein GAN (WGAN) هو إعادة تصميم لهدف تدريب GAN الذي يستخدم مسافة Wasserstein بدلاً من خسارة الحد الأدنى والحد الأقصى الأصلية. فهو يجعل تدريب GAN غير المستقر أكثر موثوقية ويعطي قيمة خسارة ترتبط فعليًا بجودة الصورة.
ما هو مقياس المسافة الذي تستخدمه WGAN لمقارنة التوزيعات الحقيقية والمولدة؟
تستبدل WGAN الهدف الأصلي المستند إلى Jensen-Shannon بمسافة Wasserstein، والتي توفر تدرجات أكثر سلاسة حتى عندما تتداخل التوزيعات بالكاد.
في WGAN، تتم إعادة تسمية الشبكة التي كانت هي المُميِّزة إلى ماذا، ولماذا؟
يسجل الناقد الصور على نطاق مستمر بدلاً من تصنيف الصور الحقيقية مقابل الصور المزيفة، وهو ما يجعل هدف فاسرشتاين ناجحًا.
لماذا يجب أن يكون منتقد WGAN مقيدًا ليكون 1-Lipschitz؟
الازدواجية التي تسمح لـ WGAN بتقدير مسافة فاسرشتاين تنطبق فقط على وظائف 1-ليبشيتز، لذلك يجب أن تكون تدرجات الناقد محدودة.
كيف قامت WGAN الأصلية بفرض قيد Lipschitz؟
استخدمت ورقة WGAN الأولى قص الوزن الخام؛ استبدلها WGAN-GP لاحقًا بعقوبة متدرجة أكثر سلاسة.
ما هي المشكلة التي تقللها WGAN بشكل ملحوظ مقارنة بشبكات GAN الفانيليا؟
ينهار وضع كبح التدرجات الأكثر سلاسة في WGAN ويؤدي إلى خسارة ترتبط فعليًا بجودة العينة.
استمر في التعلم
أدلة ذات صلة
تم اختيار المزيد من الأدلة لهذا الموضوع