চিত্রগুলি থেকে নিরীক্ষণযোগ্য বৈশিষ্ট্য নিষ্কাশনের জন্য কীভাবে জিএন ব্যবহার করবেন?


11

আমি বুঝতে পেরেছি যে GAN কীভাবে কাজ করে যখন দুটি নেটওয়ার্ক (উত্পাদক এবং বৈষম্যমূলক) একে অপরের সাথে প্রতিযোগিতা করে। আমি একটি ডিসিজিএএন তৈরি করেছি (কনভোলশনাল ডিস্টোমিনিস্টর এবং ডি-কনভুলেশনাল জেনারেটর সহ জিএএন) যা এখন সফলভাবে এমএনআইএসটি ডেটাসেটের মতো হস্তাক্ষর ডিজিট তৈরি করে।

আমি চিত্রগুলি থেকে বৈশিষ্ট্যগুলি বের করার জন্য জিএএন এর অ্যাপ্লিকেশনগুলি সম্পর্কে অনেক কিছু পড়েছি। এমএনআইএসটি হাতে লেখা ডিজিটাল চিত্রগুলি থেকে বৈশিষ্ট্যটি বের করতে কীভাবে আমার প্রশিক্ষিত জিএন মডেল (এমএনআইএসটি ডেটাসেটে) ব্যবহার করতে পারেন?


বৈশিষ্ট্য আহরণের জন্য, আমি 128 * 120 (অর্থাত্ + 64 + 32 + 16 + 8) = 15360 এর বৈশিষ্ট্যটির আকার পাচ্ছি। আমি নিশ্চিত যে আমি কিছু মিস করছি। বৈশিষ্ট্য ভেক্টর চয়ন সম্পর্কে আমার আরও একটি প্রশ্ন রয়েছে। বৈশিষ্ট্য নিষ্কাশন চলাকালীন আমি (কনফিড 2 ডি + ব্যাচনরম + অ্যাক্টিভেশন) ওজন বা কেবল কনফ 2 ডি ওজন বিবেচনা করব?
তন্ময় বাঁধ

উত্তর:


5

বৈশিষ্ট্যগুলি বের করতে সাধারণত, আপনি আউটপুট দেওয়ার আগে নেটওয়ার্কের উপরের স্তরটি ব্যবহার করতে পারেন। স্বজ্ঞাততাটি হ'ল এই বৈশিষ্ট্যগুলি লৈখিকভাবে পৃথকযোগ্য কারণ শীর্ষ স্তরটি কেবল একটি লজিস্টিক রিগ্রেশন।

জিএএনদের জন্য, আপনি বৈষম্যমূলককারীর কাছ থেকে বৈশিষ্ট্যগুলি ব্যবহার করতে পারেন। এই বৈশিষ্ট্যগুলি যদি প্রশিক্ষণ ডেটাসেট থেকে "আসল চিত্রগুলি" থেকে আসে তবে সম্ভাব্যতা দেওয়ার কথা। র‌্যাডফোর্ডের ডিসিজিএএন কাগজে , তারা বৈষম্যমূলককারীর সমস্ত সমঝোতার স্তরগুলি ব্যবহার করে এবং সিআইএফএআর -10 এর জন্য একটি সর্বাধিক পুলিং লেয়ার এক্সট্র্যাক্ট বৈশিষ্ট্যগুলি চালায়।

তদারকি করা কাজের জন্য ডিসিজিএএন দ্বারা শিখানো উপস্থাপনাগুলির মানের মূল্যায়ন করার জন্য, আমরা ইমেজেনেট -১ কে প্রশিক্ষণ এবং তারপরে সমস্ত স্তর থেকে বৈষম্যমূলক সংশ্লেষমূলক বৈশিষ্ট্যগুলি ব্যবহার করি, একটি স্তর 4 × 4 স্থানিক গ্রিড তৈরির জন্য প্রতিটি স্তরকে উপস্থাপনের ম্যাক্সপুল করি। এরপরে এই বৈশিষ্ট্যগুলি চ্যাপ্টা এবং সংক্ষিপ্ত করে একটি 28672 মাত্রিক ভেক্টর গঠনের জন্য প্রস্তুত করা হয় এবং তাদের উপরে নিয়মিত লিনিয়ার এল 2-এসভিএম শ্রেণিবদ্ধ প্রশিক্ষণ দেওয়া হয়।


1

কেনির উত্তরটি সঠিক - আপনি যদি কনভোলশনাল ডি ব্যবহার করেন তবে ঘন হওয়ার আগে স্তরগুলির আউটপুট বৈশিষ্ট্য হিসাবে কাজ করতে পারে। আমার অন্তর্নিহিততাটি হ'ল এটি এসি-জিএএনএস (বা অনুরূপ আর্কিটেকচারগুলির জন্য আরও ভাল কাজ করবে, যা এটি জাল বা আসল কিনা তা নির্ধারণের পাশাপাশি ডি শ্রেণীবদ্ধ ইনপুট তৈরি করে)।

সেখানে একটি পন্থা বলা হয় BiGAN যা যোগ করা এনকোডার উপাদান সুপ্ত বিতরণের উত্পন্ন ও প্রশিক্ষণ নমুনা ম্যাপ সক্ষম z- র "আরম্ভ" জেনারেটরের করতেন। লেখকরা দেখান যে এটি স্থানান্তর শিখন এবং অন্যান্য কাজের জন্য বৈশিষ্ট্য সেট হিসাবে কার্যকরভাবে ব্যবহার করা যেতে পারে।


0

জ্যান যেমন দুটি অংশ নিয়ে গঠিত - জেনারেটর এবং বৈষম্যমূলক, তাই বৈশিষ্ট্য নিষ্কর্ষক হিসাবে GAN ব্যবহার করার দুটি উপায় রয়েছে:

  1. জেনারেটর ভিত্তিক উপায়ে মিখাইল ইউরাসভ উপস্থাপন করেছেন
  2. কেনি উপস্থাপন হিসাবে বৈষম্যমূলক ভিত্তিক উপায়।

দ্বিতীয় উপায়টি আরও বিতর্কিত। কিছু গবেষণা [1] বলেছিল যে স্বজ্ঞাতভাবে, বৈষম্যমূলক লক্ষ্য হিসাবে উত্পন্ন নমুনাগুলিকে প্রকৃত নমুনাগুলি থেকে আলাদা করা, এটি কেবলমাত্র এই দুটি ধরণের নমুনার মধ্যে পার্থক্যের উপর আলোকপাত করবে। তবে যেটি বোঝায় তা হ'ল আসল নমুনাগুলির মধ্যে পার্থক্য, যা নিচে প্রবাহের কাজগুলি দ্বারা ব্যবহৃত নমুনাগুলি।

আমি এটি অধ্যয়ন করার চেষ্টা করেছি এবং আমি খুঁজে পেয়েছি যে নিষ্কাশন করা বৈশিষ্ট্যটি দুটি र्थ োগোনাল উপ- স্পেসে ভাগ করা যেতে পারে । প্রথম স্থান বৈষম্যমূলক কাজে অবদান রাখে, যখন দ্বিতীয়টি এ থেকে মুক্ত। বেশিরভাগ ক্ষেত্রে যেমন উত্পন্ন উত্সগুলি থেকে প্রকৃত নমুনাগুলি আলাদা করতে ব্যবহৃত বৈশিষ্ট্যগুলি শব্দ হয়, দ্বিতীয় বৈশিষ্ট্যের স্থানটি শোনামুক্ত হবে। এই দৃষ্টিকোণ থেকে, যদিও বৈষম্যকারীর কাজটি সত্যিকারের নমুনাগুলির মধ্যে পার্থক্যের দিকে মনোনিবেশ করবে না, যা ডাউন স্ট্রিম কাজের জন্য দরকারী, তবে দ্বিতীয় উপস্থানে থাকা শব্দ-মুক্ত বৈশিষ্ট্যগুলি কাজ করবে।

[1] জোস্ট টোবিয়াস স্প্রিনজেনবার্গ। শ্রেণীবদ্ধ জেনারেটাল অ্যাডভারসিয়াল নেটওয়ার্কগুলির সাথে নিরীক্ষণযোগ্য এবং আধা-তত্ত্বাবধানে পড়াশুনা। arXiv: 1511.06390 [সিএস, স্ট্যাট], এপ্রিল 2016 2016 arXiv: 1511.06390 [stat.ML]। ইথাকা, এনওয়াই: কর্নেল বিশ্ববিদ্যালয় গ্রন্থাগার।

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.