คู่มือ AI แบบเห็นภาพ
GAN แบบมีเงื่อนไข
GAN แบบมีเงื่อนไข (cGAN) จะขยาย GAN ทั่วไปโดยการป้อนข้อมูลเพิ่มเติม เช่น ป้ายกำกับคลาสหรือข้อความ ลงในทั้งตัวสร้างและตัวแบ่งแยก
ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min
บนหน้านี้อ่าน 2 นาที
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
- กำหนดเกณฑ์การยอมรับสำหรับความแม่นยำ การเรียกคืน และต้นทุนข้อผิดพลาด
- ทดสอบด้วยข้อมูลที่ตรงกับเงื่อนไขการผลิตจริง
- เพิ่มการตรวจสอบโดยเจ้าหน้าที่สำหรับการคาดการณ์ที่มีความมั่นใจต่ำหรือมีผลกระทบสูง
- 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
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