정리 노트

이 글은 국민대학교 소프트웨어학부 '컴퓨터 비전' 강의를 듣고 요약하는 글입니다. 실제로 원하시는 정보가 여기에 없을 수도 있습니다. 이 점 유의 바랍니다. 오류 지적 매우 환영합니다! 이번 글에서는 GAN 모델이 무엇인지에 대해 적어보겠습니다. GAN(Generative Adversarial Networks) GAN은 쉽게 말해 '생성 모델'입니다. 기본적인 DNN이나 CNN 구조에서는 입력을 특정 레이블로 분류하는데 목적을 둔 분별 모델(discriminative model)입니다. 즉, 입력으로 주어지는 이미지(X)가 어떤 레이블(Y)인지 예측해야 하므로 P(Y | X)를 추정하는 것이 목적입니다. 분별 모델은 P(X), 이미지들이 어떠한 분포를 가지고 있는지에 대해서는 예측할 수 없습니다. 그래서..

DCGAN CNN처럼 Convolutional Layer를 이용하는 GAN입니다. 판별자에서의 Convolution은 너비와 높이가 감소(=해상도가 감소)되고, 생성자에서의 Convolution은 너비와 높이가 증가(=해상도가 증가)하는 방향으로 진행됩니다. 이를 포함해 논문에서는 DCGAN 가이드라인을 제안하고 있습니다. batchnorm을 사용해서 학습 속도를 증가시킬 수 있고, fully connected hidden layer들을 제거함으로써 많은 weight들을 담을 메모리를 아낄 수 있다고 합니다.

GAN(Generative Adversarial Networks) 기본 지식 확률 분포 생성 모델(Generative Model) 실제로 있지 않지만 실제로 있을 법한 데이터(이미지, 자연어 문장, 오디오 등...)를 생성할 수 있는 모델을 말합니다. 이 모델은 이미지 데이터들의 분포에 근사할 수 있도록 학습되어야 합니다. 이에 대한 대표적인 것이 GAN입니다. 만약 이 모델이 잘 학습이 되었다면 통계적으로 평균적인 특징을 가지는 데이터를 쉽게 생성할 것입니다. GAN 생성자(Generator)와 판별자(Discriminator) 두 네트워크를 활용하는 생성 모델입니다. 아래의 목적 함수를 통해 생성자는 이미지 분포를 학습할 수 있습니다. x: x~Pdata(x), z: z~Pz(z) G(z): nois..