Koşullu GAN'lar
Koşullu GAN'lar (cGAN'ler), sınıf etiketi veya metin gibi ekstra bilgileri hem oluşturucuya hem de ayırıcıya besleyerek sıradan GAN'ları genişletir.
Genel Bakış
This lets you control what the network produces instead of getting random outputs.
Derin Dalış
Standart bir GAN, rastgele gürültüyü bir görüntüye dönüştürür ancak sonuç üzerinde size söz hakkı vermez. Mirza ve Osindero tarafından 2014 yılında önerilen koşullu GAN'lar, üretimi bir y etiketi üzerinde koşullandırarak bunu düzeltir. Her iki ağ da y alır: jeneratör, eşleşen bir görüntü oluşturmak için gürültüyü etiketle birleştirir; ayırıcı ise görüntünün hem gerçekçi hem de etiketiyle tutarlı olup olmadığına karar verir. Rakam etiketleriyle MNIST'te eğitin ve özellikle '7' isteyebilirsiniz. Koşullandırma sinyali bir sıcak sınıf vektörü, bir yerleştirme, bir nitelik seti veya hatta başka bir görüntü olabilir. Bu yönlendirme oluşturma fikri, metinden görüntüye ve görüntüden görüntüye sistemlerini mümkün kılan temeldir.
Teknik Bilgi
Koşullandırma girişi tipik olarak jeneratörün gürültü vektörüne ve ayırıcının giriş özelliklerine birleştirilir, ancak daha gelişmiş tasarımlar bunu koşullu toplu normalizasyon veya etiket yerleştirme ve görüntü özellikleri arasındaki iç ürünü alan bir projeksiyon katmanı yoluyla enjekte eder. Önemli olan, ayrımcının, gerçek görünen ancak etiketiyle eşleşmeyen bir görüntü olan uyumsuz çiftleri cezalandırması ve jeneratörü, durumu görmezden gelmek yerine koşulu kabul etmeye zorlamasıdır.
Stratejik Etki
Speed and scale
Visual AI, inceleme, algılama ve etiketleme görevlerini geniş ölçekte otomatikleştirebilir.
Build choices
Yaratıcı ekipler, daha az manuel revizyonla konseptleri daha hızlı prototipleyebilir.
Ekip ve iş akışı
Operasyonlar, daha önce işlenmesi zor olan görüntü ve video sinyallerini kullanabilir.
Koşullu GAN'ların Geleceği
Koşullu oluşturma artık varsayılan beklentidir: kullanıcılar ne elde edeceklerini belirtmek ister. Etiket koşullandırma fikri, Stabil Difüzyon gibi yayılma modellerinde çapraz dikkat yoluyla zengin metin koşullandırmaya ve kenarlar, derinlik veya poz kullanan ControlNet tarzı uzamsal koşullandırmaya genelleştirildi. Gelecekteki sistemler, metin, çizim, ses ve 3D kısıtlamalarının karıştırılmasıyla her zamankinden daha esnek ve çok modlu koşulları kabul edecek ve çıktıların talimatın her bölümüne aslına sadık kalma şeklini geliştirecek.
Gerçek Dünya Uygulaması
Rastgele bir sayı yerine isteğe bağlı olarak belirli bir el yazısı rakamı veya nesne sınıfı oluşturma
Yüzleri yaş, saç modeli, gözlük veya ifade gibi seçilen niteliklerle sentezleme
Bir altyazının oluşturulan resmi koşullandırdığı erken metin-görüntü ardışık düzenlerini güçlendirmek
Eğitim setlerinde az temsil edilen kategorileri artırmak için sınıf dengeli sentetik veriler oluşturma
Riskler ve Korkuluklar
Kaynağın belirsiz olması durumunda görüntü hakları ve rıza yasal risk haline gelebilir.
Model performansı aydınlatma, demografik özellikler ve ortamlara göre değişiklik gösterebilir.
Güven eşikleri izlenmediği sürece yanlış pozitifler fark edilmeyebilir.
Uygulama Yol Haritası
Kesinlik, geri çağırma ve hata maliyetlerine ilişkin kabul kriterlerini tanımlayın.
Gerçek üretim koşullarıyla eşleşen verilerle test edin.
Düşük güvenirliğe sahip veya yüksek etkili tahminler için gerçek kişi tarafından yapılan incelemeyi ekleyin.
Model kaymasını izleyin ve kamera veya veri kümesi değişikliklerinden sonra yeniden doğrulayın.
Keşfetmeye Devam Edin
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Conditional GANs quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
GAN'ların Aşamalı Büyümesi
Sık sorulan sorular
What is Conditional GANs?
Koşullu GAN'lar (cGAN'ler), sınıf etiketi veya metin gibi ekstra bilgileri hem oluşturucuya hem de ayırıcıya besleyerek sıradan GAN'ları genişletir. Bu, rastgele çıktılar almak yerine ağın ne ürettiğini kontrol etmenizi sağlar.
Koşullu GAN ile standart GAN arasındaki temel fark nedir?
Koşullu GAN'lar hem oluşturucuya hem de ayırıcıya bir koşullandırma sinyali (etiket gibi) ekler, böylece ne üretileceğini belirleyebilirsiniz.
Etiketli rakamlarla eğitilmiş bir cGAN'da, düz bir GAN'ın yapamayacağı ne yapabilirsiniz?
Üretim etikete bağlı olduğundan, jeneratörden rastgele bir çıktı yerine belirli bir sınıfı isteyebilirsiniz.
cGAN ayırıcısı, bir görüntünün gerçek görünüp görünmediğinin ötesinde neyi kontrol etmelidir?
Ayırıcı, durumlarıyla eşleşmeyen gerçekçi görünümlü görüntüleri cezalandırarak oluşturucuyu etikete saygı göstermeye zorlar.
Jeneratöre koşullandırma sinyali sağlamanın yaygın yolu hangisidir?
Basit ve yaygın bir yaklaşım, etiketi (genellikle tek sıcak veya gömme) jeneratörün gürültü vektörüne birleştirir.
Koşullu GAN'lar daha sonraki hangi yeteneğin temelini attı?
Üretimi bir koşul aracılığıyla yönlendirmek, metinden görüntüye ve görüntüden görüntüye sistemlerin tam olarak güvendiği şeydir.