GAN3 [GAN for Data Augmentation] DAGAN, 2018 DAGAN, 2018 Antreas Antoniou et al., arXiv [stat.ML], 2018 Data Augmentation GAN Abstract (문제) Data augmentation은 모델의 일반화에 기여하는 좋은 수단이지만, 기존의 Data augmentation 은 그럴듯한 대체 데이터에 한정되어 데이터를 증식했다. (단순 선형 변환 등) (해결) DAGAN을 이용하면, 한 소스 도메인으로 부터 다른 클래스의 데이터를 생성해낼 수 있다. 데이터를 생성함에 있어 클래스에 구애받지 않기 때문에, 보지 못했던 클래스에도 적용할 수 있다. 또한, Matching Networks 같은 few-shot learning에 DAGAN을 적용함으로써, 다양한 데이터들에 대해 성능 향상을 할 수 있.. 2019. 10. 5. [GAN] Data Augmentation Using GANs, 2019 Data Augmentation Using GANs FHKS Tanaka, arXiv cs.LG, 2019/04/19 Abstract GAN은 데이터 증식을 위해 쓰일 수 있다. 1) 클래스가 불균형한 데이터셋에서 부족한 클래스를 보충하기 위해, 2) 데이터가 privacy에 관련한 민감한 정보를 포함할 때, 합성이미지로 이를 극복한다. 본 논문은, Generator로 저자가 직접구현한 간단한 모델을 이용하고, Discriminator로는 Decision Tree를 이용하여 GAN으로 만든 합성 데이터가 실제 데이터를 대체할 수 있을지 연구한 결과이다. 1. Introduction Good 데이터 셋을 가지는 것은 모델의 학습을 위해 참 중요한 요소이다. 1) Imbalanced 데이터에서, oversa.. 2019. 9. 21. GAN Generative Adversial Network Generator 생성자는 랜덤 벡터 'z'를 입력으로 받아 가짜 이미지를 출력하는 함수다. z는 균등분포(Uniform Distribution)나 정규분포(Normal Distribution)에서 무작위로 추출된 값이다. 생성자는 이렇게 단순한 분포를 사람 얼굴 이미지와 같은 복잡한 분포로 매핑(mapping)하는 함수이다. 생성자 모델에 충분한 수의 매개 변수가 있다면 어떤 복잡한 분포도 근사할 수 있다고 알려져 있다. z 벡터(latent vector)가 존재하는 공간을 잠재 공간(latent space)라 한다. **Discriminator** 구분자는 생성자가 만들어낸 fake image를 입력으로 받아 이미지가 진짜인지 가짜인지 출력한다. D.. 2019. 7. 16. 728x90 이전 1 다음
