It’s the end of 2022. Deep learning models have become so good at generating images that, at this point, it is more than clear that they are here to stay. How did we end up here? The timeline below traces some milestones – papers, architectures, models, datasets, experiments – starting from the beginning of the current “AI summer” ten years ago. Edit: Since this post was on the front page of Hacke
今回の目的 前回は畳み込みニューラルネットワークを使用したGAN、いわゆるDCGANを作り、MNISTの手書き数字っぽい画像を自動生成してみました。今回は、その学習時にフォーカスを当てて、実際にはどんなふうに学習が進んでいるのかを見てみることにしました。 といっても今回行ってみるのは、前回に紹介したDCGANの論文や、難しい数式をベースに話をするのではなく、識別器（ディスクリミネーター）からの出力がどんな値になっているかを主な話題とするつもりです。 そこで、識別器と生成器の役割について、ここで一度振り返っておきましょう。 DCGAN（Deep Convolutional Generative Adversarial Network）の「Adversarial」は「敵対的」という意味でした。このことからも分かる通り、識別器と生成器は相反する目的を持っています。識別器が訓練データと偽データとを
PyTorch Deep Learning Nanodegree: Generative Adversarial Networks
A fifth part of the Nanodegree: GAN Introduction Neural Networks Convolutional Neural Networks Recurrent Neural Networks Generative Adversarial Networks Deploying a Model The end of this journey GeneralIn this lesson we learn about various types of GANs and how to implement them. Also, we’ll work on a fourth project — generating faces. Generative Adversarial Networks The first lesson on GANs is le
少数データでGANを学習させるテクニック
3つの要点 ✔️ たった10枚でGANのfine-tuningに成功 ✔️ フィッシャー情報が重要 ✔️ Elastic weight consolidationがGANでも有効 Few-shot Image Generation with Elastic Weight Consolidation written by Yijun Li, Richard Zhang, Jingwan Lu, Eli Shechtman (Submitted on 4 Dec 2020) Comments: Accepted by NeurIPS 2020. Subjects: Computer Vision and Pattern Recognition (cs.CV) code： はじめに 近年多くのGAN学習理論が発表され、「大規模なデータがないとGANは学習できない」と言うのは昔の話になりつつありま
はじめに Tensorflowを用いてGANの派生系であるDCGANを行った時の記録をメモ書きしたものです。あまり深いところまでは踏み込まず，ざっくり説明します。 先日もほぼ同じ記事を書いたのですが，ごちゃごちゃなってしまったので少し整理して上げ直します。 タイトルにはウミウシを生成したい！と書いてあるんですが，最初はDCGANでポケモンを生成しようと思っていました。なのでとりあえず，ポケモン生成の試みから簡単に書いていこうかなと思います。 ちなみにウミウシはこんな生き物です。カラフルな種類が多くて綺麗 GANやDCGANとは 簡単にGANについて書いておこうかと思います。 GANとは偽物を作る「Generator」と判別する「Discriminator」の2つを学習させ，限りなく本物に近いデータを生成するぞってやつです。Generatorは本物データを参考に，ランダムノイズから新たな画像
はじめに以前から超解像の記事はいくつも書いてきました。 超解像（Super Resolution）とは画像の解像度を上げることです。「アップスケール」と言われているものとほぼ同じだと思います。 今まではOpenMMLabのMMEditingを使うことが多かったのですが、いつのまにかMMEditingがMMagicに吸収されました。 今回MMagicで超解像に挑戦したのですが、Pythonスクリプトはたったの3行でした。Pythonスクリプト from mmagic.apis import MMagicInferencer editor = MMagicInferencer('esrgan') editor.infer(img = "test.png", result_out_dir = "result.png") 2行目で使用するモデルを指定します。 これだけでモデルのダウンロードも自動で
18 Impressive Applications of Generative Adversarial Networks (GANs) - MachineLearningMastery.com
A Generative Adversarial Network, or GAN, is a type of neural network architecture for generative modeling. Generative modeling involves using a model to generate new examples that plausibly come from an existing distribution of samples, such as generating new photographs that are similar but specifically different from a dataset of existing photographs. A GAN is a generative model that is trained
3つの要点 ✔️様々な分野で使用されている 「GAN」の包括的なサーベイ論文の紹介 ✔️アルゴリズム編では、「GAN」のアルゴリズムに焦点を絞って様々なアプローチを紹介 ✔️ この記事で「GAN」の最新動向までをキャッチアップ可能 A Review on Generative Adversarial Networks: Algorithms, Theory, and Applications written by Jie Gui, Zhenan Sun, Yonggang Wen, Dacheng Tao, Jieping Ye (Submitted on 20 Jan 2020) subjects : Computer Vision and Pattern Recognition (cs.CV); Machine Learning (cs.LG) はじめに 2014年に画像生成のためのア
conditional GAN - Qiita
Conditional GAN とは？？ DCGANでは、mnistデータを学習に用いることで、綺麗な手書き文字の生成に成功しました。しかしながら、この生成器を実際に用いようとなると用途が限られてしまします。なぜなら、例えば「７」と言う手書き文字を作りたいと思っても、DCGANだと生成する文字を指定できないので、７が偶然生成されるまで生成器を動かし続ける必要があるからです。 ここでは、Conditional GANを導入することで、「７」を作りたい！と思った時に一発で「７」を生成できる生成器、つまり生成するクラスを指定できる生成器を実装していきます。 CGANの全体アーキテクチャ CGNAの生成器 生成器は、乱数ベクトルzとラベルyを入力とし、偽のサンプルx*|yを生成する。生成器は与えられたラベルに対応し、できる限りリアルな見た目になるようにする。 じゃあ具体的にどうやって乱数ベクトルz
JDLA Deep Learning for GENERAL 2019 #1（G検定）合格までに実施した勉強法をご紹介します。 私が実施した勉強法は以下の通りです。（詳細は、過去記事にリンクしてあります。） ステップ0. G検定合格のためG検定の概要と受験した感想 ステップ1. 問題集の解答を一通り読破する。（解答から読破するところがポイント） ステップ2. テキストを一通り読破する。 ステップ3. 問題集を解く。（テキストの章問題も一緒に解く。） ステップ4. 過去問を解く。 ステップ5. 3,4を繰り返す。 ステップ6. 通勤時などの隙間時間に参考書籍を読む。 その他：覚えたことをTwitterでつぶやく。 G検定対策 復習のつぶやき総集編（その１） G検定対策 復習のつぶやき総集編（その２） G検定対策 復習のつぶやき総集編（その３） 上記勉強法に利用した、問題集や過去問サイトは以下
DCGAN (Deep Convolutional GAN)：畳み込みニューラルネットワークによる敵対的生成
オイラはCG上がりの人間なので、ディープラーニングへの興味は画像認識のような識別系よりもっぱら生成系なのである。 最近はCG系の学会でもお馴染みになりつつあるGAN(敵対的生成ネットワーク)についてちゃんと知りたくて、その前知識としてニュー...
【資格試験対策】ディープラーニングG検定【キーワード・ポイントまとめ】 - ITとかCockatielとか
last update : 2021/2/24 last update : 2021/2/24 はじめに １．📘人工知能（AI）とは（人工知能の定義） AIの定義 人工知能レベル AI効果 ロボットとの違い 歴史 ✅ 💻ENIAC ✅ ダートマス会議 ✅ 第１次AIブーム ✅ 第２次AIブーム ✅ 第３次AIブーム ２．📘人工知能をめぐる動向 2-1.📘探索・推論 探索・推論の手法 ✅ 探索木 ✅ ハノイの塔 ✅ ロボットの行動計画 ✅ ボードゲーム ✅ コスト ✅ Mini-Max法 ✅ α-β法 ✅ モンテカルロ法 2-2.📘知識表現 知識表現 ✅ 💻ELIZA（イライザ） ✅ エキスパートシステム ✓ 💻DENDRAL ✓ 💻マイシン（MYCIN） ✅ 意味ネットワーク ✅ Cycプロジェクト オントロジー（ontology） ✅ セマンティックウェブ ✅ ヘビーウェ
111 A Comprehensive Survey of AI-Generated Content (AIGC): A History of Generative AI from GAN to ChatGPT YIHAN CAO∗, Lehigh University & Carnegie Mellon University, USA SIYU LI, Lehigh University, USA YIXIN LIU, Lehigh University, USA ZHILING YAN, Lehigh University, USA YUTONG DAI, Lehigh University, USA PHILIP S. YU, University of Illinois at Chicago, USA LICHAO SUN, Lehigh University, USA Recen
概要 近年ではStyleGANの登場により「写真が証拠になる時代は終わった」としばしば騒がれるようになった。 Genera tive Adversarial Networks（以下、GAN）とは教師無し学習に分類される機械学習の一手法で、学習したデータの特徴を元に実在しないデータを生成したり、データを変換することができる。 例えば以下の絵画はGANにより生成された画像である。 引用元：Edmond de Belamy - Wikipedia この絵画は2018年10月25日に米ニューヨークで著名オークション「クリスティーズ」で43万2500ドルで落札され、GANが世間の注目を浴びる一つのきっかけとなった。 現在はDCGAN、BigGAN、StackGAN、Pix2pix、Age-cGAN、CycleGAN等、様々なGANの派生が登場しており、StyleGANもその内の一つである。 Styl
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
Ten Years of Image Synthesis — Fabian Offert
PyTorchでCIFAR-10を基にDCGANで画像生成をしてみよう
AIDB on X: "【GANの10年】今年はGANが誕生して10年目です。以下は、歴史的研究の抜粋です。 ○ Tanujit Chakraborty et al. Ten Years of Generative Adversarial Nets (GANs): A survey of the state-of-the-art ■2014年 GANが初めて誕生する ■2015年 高品質な画像を生成できるようになる（DCGAN）… https://t.co/7KbJWjR2Uz"
深層学習で綺麗なウミウシを生成する - Qiita
OpenMMLab の MMagic を使って超解像。え、たったの3行？ - パソコン関連もろもろ
GANの発展の歴史を振り返る！GANの包括的なサーベイ論文の紹介(アルゴリズム編)
JDLA G検定合格に使った過去問,問題集など対策・体験記
A Comprehensive Survey of AI-Generated Content (AIGC): A History of Generative AI from GAN to ChatGPT
StyleGANとはなにか - Qiita