PyTorch (12) Generative Adversarial Networks (MNIST) - 人工知能に関する断創録
前回（2018/2/28）の最後で次はConditional VAEだと言っていたけど思いっきり無視して (^^;) 今回はGenerative Adversarial Networks (GAN) やろう。いくつかのデータセットで実験しようと思っているけど今回は最初ということでMNISTから。 今回の実装は正確に言うとGeneratorとDiscriminatorに畳み込みニューラルネットを使っているので DCGAN（Deep Convolutional Generative Adversarial Networks） と呼ばれるGANにあたる。論文の設定とは微妙に違うところあるけど。 180303-gan-mnist.ipynb - Google ドライブ まずはいつものimportから。 import os import pickle import numpy as np impor
[最新論文/GAN] ラベルがないなら推測すればいい。 - Qiita
論文紹介・画像引用 Google Brainより2019.3.6提出 https://arxiv.org/pdf/1903.02271v1.pdf 本研究のGANの特徴と成果 FIDスコア（低い方が良い） スコア８～９の間にある縦線はベースライン（すべてラベル付けされた画像を使ったBigGAN） 本研究の方法（$S^3GAN$）では ラベル付けされた画像は全体のたった１０%にも関わらずSOTAであるBigGANと同等の性能になった また全体の２０%をラベル付けされた画像にするとBigGANを超える性能となった 解像度128×128 上段：BigGAN 下段：画像の１０%のみラベルありのデータを使った$S^3GAN$ データの現実とその対策 これまでの鮮明な画像生成は大量のラベル付きデータによって実現してきた しかし現実的には、ほとんどのデータはラベル付けされていない・ラベル付け自体が多大な
![[最新論文/GAN] ラベルがないなら推測すればいい。 - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/89927a48cbfde8c76d1a1c4bd09170764d063872/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-9f5428127621718a910c8b63951390ad.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTkxNiZoPTMzNiZ0eHQ9JTVCJUU2JTlDJTgwJUU2JTk2JUIwJUU4JUFCJTk2JUU2JTk2JTg3JTJGR0FOJTVEJTIwJUUzJTgzJUE5JUUzJTgzJTk5JUUzJTgzJUFCJUUzJTgxJThDJUUzJTgxJUFBJUUzJTgxJTg0JUUzJTgxJUFBJUUzJTgyJTg5JUU2JThFJUE4JUU2JUI4JUFDJUUzJTgxJTk5JUUzJTgyJThDJUUzJTgxJUIwJUUzJTgxJTg0JUUzJTgxJTg0JUUzJTgwJTgyJnR4dC1jb2xvcj0lMjMyMTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9NTYmdHh0LWNsaXA9ZWxsaXBzaXMmdHh0LWFsaWduPWxlZnQlMkN0b3Amcz05NmY5ZTU5MzQzZjY3NzQyYjEyMGQ2NTlhMTQzZmFkZA%26mark-x%3D142%26mark-y%3D112%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTYxNiZ0eHQ9JTQwUGhvZWJvb29vJnR4dC1jb2xvcj0lMjMyMTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9MzYmdHh0LWFsaWduPWxlZnQlMkN0b3Amcz0yN2EyYzViYWYxNzY5NDUxOTBkMTYzZGI2ZjFiYzQzMw%26blend-x%3D142%26blend-y%3D491%26blend-mode%3Dnormal%26s%3De3e25cd93bceee05c619bc46aef8ccd4)
奈良先端科学技術大学院大学など、そうめんをラーメンに錯覚させるARとGANを組み合わせたリアルタイム味覚操作システムを発表。白ご飯が焼飯にも
奈良先端科学技術大学院大学など、そうめんをラーメンに錯覚させるARとGANを組み合わせたリアルタイム味覚操作システムを発表。白ご飯が焼飯にも 2019-03-12 奈良先端科学技術大学院大学や電気通信大学などによる研究チームは、食品の外観を画像変換し、ARを使用して重畳することで視覚から味覚を錯覚させるGAN（generative adversarial network）を用いたリアルタイム味覚操作システムを発表しました。 論文：Enchanting Your Noodles: GAN-based Real-time Food-to-Food Translation and Its Impact on Vision-induced Gustatory Manipulation 著者：Kizashi Nakano, Daichi Horita, Nobuchika Sakata, Kiyos
SRGANをpytorchで実装してみた - Qiita
SRGANをpytorchで実装してみました。上段が元画像、中段がbilinear補完したもの、下段が生成結果です。 ipynbのコードをgithubにあげました SRGANとは SRGANはDeepLearningを用いた超解像のアルゴリズムです。 超解像とはその名の通り、低解像度画像を高解像度の画像に変換する技術です。 元論文では下図のようにoriginal画像と見分けがつかないレベルの生成を行なっています(論文Fig2)。それまで一般的に使われていたbicubic補完と比べても一目瞭然ですね。 SRGANのネットワーク SRGANのネットワークは下のようになっています。(論文Fig4) 特徴としてはGANを用いて敵対的な学習を可能にしていることと、GeneratorにResNetを用いていることです。ResNetのスキップが細かい特徴を維持しやすくしているということでしょうか？ここら
keras GAN 自前データセットで画像生成 - Qiita
前回、自前のデータセットを使って画像分類（CNN)をしたので今回はGANにより画像を生成 してみようと思います。データセットに使うのは多部未華子ちゃんでいこうと思います データセット作成用画像 データセット作成 GANではテストデータとか、ラベル必要ないのですが前のスクリプトを流用したので 箱だけ用意する感じになってしまっています import matplotlib.pyplot as plt import sys from keras.preprocessing.image import array_to_img,img_to_array,load_img import numpy as np import os X_train=[] Y_train=[] X_test=[] Y_test=[] i=os.listdir("/home/MyDataSets/face/_3") n=0 f
KerasのモデルとTensorFlowの最適化でWasserstein GANを学習する - Qiita
はじめに この記事でやること：Kerasのモデル，TensorFlowの最適化によってWasserstein GANを学習する． 前提知識：GANの基本的な学習則 この記事が必要ない方：いずれかの深層学習ライブラリ，またはフルスクラッチで自由自在にコーディングできる方 最近深層生成系，いわゆるGANがホットですね．僕もいろいろ試して遊んでます．ライブラリはやっぱりKerasが直感的でわかりやすいですね． さて，ふつうのDCGANやWasserstein GANなどはKerasでもサクッと実装・学習できてしまうわけですが，誤差の最適化などで細かい改善がされてるやつになると「これ，Kerasでどう書けばええんや，，，？」となってしまうこともあるかと思います．僕はImproved Training of Wasserstein GANsで提案されているGradient Penaltyの実装でそう
Python + tensorflow でGANを試してみた．
今回兼ねてからやってみたかったGANを触ってみました。 とは言っても、githubにあったコードを実行するだけですが、実際に画像が生成されていく様は楽しかったです。 GANとは GANは敵対的生成ネットワークGenerative Adversarial Networksの略です。 ざっくりやっていることを説明して行きます。 generatorとdiscriminatorというものがあり、generatorは与えられたデータと同じようなものを生成しようとし、discriminatorはgeneratorによって作られたデータが本物かどうかを判定します。 これを繰り返すうちに与えられたデータそっくりのものができます。 しかもこれは与えられたデータの一部を切りはりしているわけではないのです。 非常に面白くこれからに期待ができます。 詳しい解説はこちらをみてください。 クローンかダウンロードをして
GANによる超解像がもたらす新しい方向性と「The Perception-Distortion Tradeoff」の話 - Think more, try less
CVPR2018にて超解像分野において極めて重要そうだなと感じた論文がありました。Yochai Blauらによる下記の論文です。 [1711.06077] The Perception-Distortion Tradeoff この内容を踏まえて最近の超解像研究の流れをまとめたいと思います。 超解像とは？ 超解像について振り返ります。多くの方がwaifu2xというソフトウェアで一度は目にしたことがあるかもしれません。下記イメージのように低解像の画像を高解像の画像に変換する方法を 超解像（Super Resolution）と呼ばれます。 （参照元：二次元画像を拡大したいと思ったことはありませんか？ - デー） このwaifu2xがざっくりどのように超解像を行っているかというと、ベースはSRCNNというConvolutional Neural Netoworkを使った超解像手法であり、下記のよう
Conditional DCGANで画像生成 - kumilog.net
GANの一種であるDCGANとConditional GANを使って画像を生成してみます。 GANは、Generative Adversarial Networks(敵性的生成ネットワーク)の略で、Generator(生成器)とDiscriminator(判別器)の2つネットワークの学習によって、ノイズから画像を生成するアルゴリズムです。 生成器Gは、判別器Dに本物と誤認識させるような画像を生成し、判別器Dは、本物か偽物かを見分ける役割があります。 GAN GANの仕組みについては、こちらの記事がとても参考になります。 また、GANは2014年にIan Goodfellow氏に提案してから多数の関連論文が発表されています。 出典：GitHub - hindupuravinash/the-gan-zoo: A list of all named GANs! DCGAN GANの学習は難しいの
GANについて概念から実装まで ～DCGANによるキルミーベイベー生成～ - Qiita
@triwave33さんの良記事に触発され、GANに対しての関心が高まり、自分でもなにかアウトプットできないかなと思ったので、今回はキルミーベイベーの画像生成を行いました。 この記事では、GANについて基礎から解説し、最後にはDCGANを使ってキルミーベイベーの画像を生成することを目標としています。 以前、以下のような記事 Kerasでキルミーアイコン686枚によるキルミー的アニメ絵分類 を使ってKerasの勉強をし、面白いなと思ったので、 今回はDCGANを使って分類ではなく生成を行おうと思います。 また、潜在変数（ノイズ）に関して詰まったので、そこに関して掘り下げます。 ついでに、転置畳み込みに関しても少し触れています。 GAN関連の良記事としては 今さら聞けないGAN（1） 基本構造の理解 今さら聞けないGAN （2） DCGANによる画像生成 はじめてのGAN があります。 実装は
今さら聞けないGAN（1） 基本構造の理解 - Qiita
なんとなく知っている気になっているけど。。。 ディープラーニング関連技術の中でも、GANに関するニュースは良く取り上げられていますね。警察と貨幣偽造者といったコンセプトは理解しやすく、学習したモデルから新たに絵や文章などを作り出せることは「これぞ人工知能」感を醸し出しています。 知ったかぶって、「それ、GANでできたら面白いですね」とか言ってしまうくせに、ソースコードレベルでの動作については実は良くわかっていない。チュートリアルを実行してなんとなく、「この行は〜をしているのだなぁ」ということはわかるのですが、そもそも「GANの基本思想を理解した上でなぜこのコーディングになっているのか」が掴めないため、 自分の適用させたい問題に対して、どこを修正すれば良いのかわからない 新しいGANのアルゴリズムが出てきたときに、どこを修正すれば良いのかわからない はい、全て私の経験です。この記事では、自分
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
Jesse Engel on Twitter: "Make music with GANs! GANSynth is a new method for fast generation of high-fidelity audio. 🎵 Examples:… https://t.co/MwxjZTO3g9"
https://github.com/pytorch/examples/tree/master/dcgan
Reddit - Dive into anything
GitHub - akanimax/pro_gan_pytorch-examples: Examples trained using the python pytorch package pro-gan-pth
GitHub - akanimax/pro_gan_pytorch: Unofficial PyTorch implementation of the paper titled "Progressive growing of GANs for improved Quality, Stability, and Variation"
GitHub - daigo0927/WGAN_GP: Keras model and tensorflow optimization of 'improved Training of Wasserstein GANs'
https://githubja.com/eriklindernoren/keras-gan
Ryobot on Twitter: "StackGANやPGGANは多段階のDで高画質化するが学習とモデルが複雑になる． IntroVAEは一段階で1024x1024画像を生成できる．Dも不要． VAEをベースにGANをZ, Zr, Zp間のKL情報量の最小化/最大化… https://t.co/c3OJRr6UfE"
ai-topics.com