คู่มือ AI แบบเห็นภาพ

GAN แบบมีเงื่อนไข

GAN แบบมีเงื่อนไข (cGAN) จะขยาย GAN ทั่วไปโดยการป้อนข้อมูลเพิ่มเติม เช่น ป้ายกำกับคลาสหรือข้อความ ลงในทั้งตัวสร้างและตัวแบ่งแยก

ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min

บนหน้านี้อ่าน 2 นาที
  1. ภาพรวม
  2. เจาะลึก
  3. การใช้งานจริงในโลกแห่งความเป็นจริง
  4. อนาคตของ GAN แบบมีเงื่อนไข
  5. การนำไปปฏิบัติ
  6. สำรวจต่อไป
  7. คำถามที่พบบ่อย

ภาพรวม

This lets you control what the network produces instead of getting random outputs.

เจาะลึก

GAN มาตรฐานจะเปลี่ยนสัญญาณรบกวนแบบสุ่มให้เป็นภาพ แต่คุณจะไม่พูดถึงผลลัพธ์ที่ได้ GAN แบบมีเงื่อนไข เสนอโดย Mirza และ Osindero ในปี 2014 แก้ไขปัญหานี้โดยการสร้างการปรับสภาพบนฉลาก y ทั้งสองเครือข่ายได้รับ y: เครื่องกำเนิดจะรวมสัญญาณรบกวนเข้ากับป้ายกำกับเพื่อสร้างภาพที่ตรงกัน ในขณะที่ผู้แยกแยะจะตัดสินว่าภาพนั้นมีความสมจริงและสอดคล้องกับป้ายกำกับหรือไม่ ฝึกฝนบน MNIST ด้วยป้ายกำกับตัวเลข และคุณสามารถขอ '7' โดยเฉพาะได้ สัญญาณการปรับสภาพอาจเป็นเวกเตอร์คลาสร้อนเดียว การฝัง ชุดคุณลักษณะ หรือแม้แต่รูปภาพอื่น แนวคิดเรื่องการสร้างแนวทางนี้เป็นรากฐานที่ทำให้ระบบข้อความเป็นภาพและภาพเป็นภาพเป็นไปได้

การใช้งานจริงในโลกแห่งความเป็นจริง

การสร้างตัวเลขที่เขียนด้วยลายมือเฉพาะหรือคลาสอ็อบเจ็กต์ตามความต้องการแทนที่จะเป็นการสุ่ม

สังเคราะห์ใบหน้าตามคุณลักษณะที่เลือก เช่น อายุ ทรงผม แว่นตา หรือสีหน้า

เพิ่มประสิทธิภาพไปป์ไลน์การแปลงข้อความเป็นรูปภาพในยุคแรกๆ โดยที่คำบรรยายจะกำหนดเงื่อนไขให้กับรูปภาพที่สร้างขึ้น

การสร้างข้อมูลสังเคราะห์ที่สมดุลในชั้นเรียนเพื่อเพิ่มหมวดหมู่ที่ด้อยโอกาสในชุดการฝึกอบรม

อนาคตของ GAN แบบมีเงื่อนไข

ขณะนี้การสร้างแบบมีเงื่อนไขกลายเป็นความคาดหวังเริ่มต้น: ผู้ใช้ต้องการระบุสิ่งที่พวกเขาได้รับ แนวคิดการปรับสภาพป้ายกำกับกลายเป็นเรื่องทั่วไปในการปรับสภาพ Rich Text ผ่านการให้ความสนใจข้ามรูปแบบการแพร่กระจาย เช่น Stable Diffusion และการปรับสภาพเชิงพื้นที่สไตล์ ControlNet โดยใช้ขอบ ความลึก หรือท่าทาง ระบบในอนาคตจะยอมรับเงื่อนไขที่ยืดหยุ่นและหลากหลายรูปแบบมากขึ้น การผสมข้อความ ภาพร่าง เสียง และข้อจำกัด 3 มิติ ในขณะเดียวกันก็ปรับปรุงวิธีที่เอาต์พุตเคารพทุกส่วนของคำสั่งอย่างซื่อสัตย์

การนำไปปฏิบัติ

ทำไมมันถึงสำคัญ

  • ความเร็วและขนาด. Visual AI สามารถทำให้การตรวจสอบ การตรวจจับ และการแท็กเป็นอัตโนมัติในขนาดต่างๆ
  • สร้างทางเลือก. ทีมสร้างสรรค์สามารถสร้างต้นแบบแนวคิดได้รวดเร็วขึ้นโดยต้องมีการแก้ไขด้วยตนเองน้อยลง
  • ทีมงานและขั้นตอนการทำงาน. การดำเนินการสามารถใช้สัญญาณภาพและวิดีโอที่ก่อนหน้านี้ประมวลผลได้ยาก

ระวัง

  • สิทธิ์และความยินยอมในรูปภาพอาจกลายเป็นความเสี่ยงทางกฎหมายได้หากแหล่งที่มาไม่ชัดเจน
  • ประสิทธิภาพของโมเดลอาจแตกต่างกันไปตามสภาพแสง ข้อมูลประชากร และสภาพแวดล้อม
  • ผลบวกลวงอาจไม่สังเกตเห็นเว้นแต่จะมีการตรวจสอบเกณฑ์ความเชื่อมั่น

ขั้นตอนต่อไป

  1. กำหนดเกณฑ์การยอมรับสำหรับความแม่นยำ การเรียกคืน และต้นทุนข้อผิดพลาด
  2. ทดสอบด้วยข้อมูลที่ตรงกับเงื่อนไขการผลิตจริง
  3. เพิ่มการตรวจสอบโดยเจ้าหน้าที่สำหรับการคาดการณ์ที่มีความมั่นใจต่ำหรือมีผลกระทบสูง
  4. ติดตามการเคลื่อนตัวของโมเดลและตรวจสอบความถูกต้องอีกครั้งหลังจากการเปลี่ยนแปลงกล้องหรือชุดข้อมูล

สำรวจต่อไป

จดหมายข่าวฟรี

รับสรุป AI รายวัน

เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา

อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ

ทดสอบตัวเอง

Take the Conditional GANs quiz

ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร

เริ่มแบบทดสอบ

สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค

คำถามที่พบบ่อย

What is Conditional GANs?

GAN แบบมีเงื่อนไข (cGAN) จะขยาย GAN ทั่วไปโดยการป้อนข้อมูลเพิ่มเติม เช่น ป้ายกำกับคลาสหรือข้อความ ลงในทั้งตัวสร้างและตัวแบ่งแยก สิ่งนี้ช่วยให้คุณควบคุมสิ่งที่เครือข่ายสร้างได้แทนที่จะรับเอาต์พุตแบบสุ่ม

อะไรคือความแตกต่างที่สำคัญระหว่าง GAN แบบมีเงื่อนไขและ GAN มาตรฐาน?

GAN แบบมีเงื่อนไขจะเพิ่มสัญญาณการปรับสภาพ (เช่น ป้ายกำกับ) ให้กับทั้งตัวสร้างและตัวแยกแยะ เพื่อให้คุณสามารถระบุสิ่งที่ถูกสร้างขึ้นได้

ใน cGAN ที่ได้รับการฝึกอบรมเกี่ยวกับตัวเลขที่มีป้ายกำกับ คุณสามารถทำอะไรได้บ้างที่ GAN ธรรมดาไม่สามารถทำได้

เนื่องจากการสร้างมีเงื่อนไขบนฉลาก คุณสามารถถามตัวสร้างคลาสเฉพาะแทนเอาต์พุตแบบสุ่มได้

ผู้เลือกปฏิบัติของ cGAN ต้องตรวจสอบอะไรบ้าง นอกเหนือจากว่ารูปภาพดูเหมือนจริงหรือไม่

ผู้แยกแยะจะลงโทษภาพที่ดูสมจริงซึ่งไม่ตรงกับสภาพของภาพ ทำให้ผู้สร้างต้องเคารพฉลาก

ข้อใดคือวิธีทั่วไปในการจ่ายสัญญาณการปรับสภาพให้กับเครื่องกำเนิดไฟฟ้า

แนวทางที่ง่ายและทั่วไปจะเชื่อมฉลาก (มักจะเป็นแบบร้อนหรือแบบฝัง) เข้ากับเวกเตอร์สัญญาณรบกวนของเครื่องกำเนิดไฟฟ้า

GAN แบบมีเงื่อนไขวางรากฐานสำหรับความสามารถใดในภายหลัง

การสร้างการควบคุมผ่านเงื่อนไขเป็นสิ่งที่ระบบแปลงข้อความเป็นรูปภาพและรูปภาพเป็นรูปภาพต้องพึ่งพา

เรียนรู้ต่อไป

คำแนะนำที่เกี่ยวข้อง

คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้

รับใบรับรอง AI ฟรีหลักสูตรและการสอบสั้น ๆ ฟรี ไม่มีค่าใช้จ่าย ไม่มีบัตรเครดิต ประมาณ 2.5 ชั่วโมงเริ่มต้นฟรี →