Open Hirokazu-Narui opened 7 years ago
論文: https://arxiv.org/abs/1706.07068 ブログ: https://hackernoon.com/can-creative-adversarial-network-explained-1e31aea1dfe8
Artについて、創造的な絵をGenerateするGAN. 従来のGANはDiscreminatorからreal/fakeの判定結果をGeneratorに教えていたが、CANでは生成されたデータが1. ArtかArtでないか, 2. どのクラス(この場合Style)に当てはまるかをGeneratorに教える。
1.のロスは通常のGANのロスと同じ(つまりrealかFakeか)。 2.のロスは多クラスのクロスエントロピー(通常の多クラス問題を解くときのロス)
おもしろいのはGeneratorが2.のロスを最小化することで、既存のクラスに無い絵を生成する。→つまり創造的な絵ができるという点。
論文中の「創造的」の定義: 生成された画像が既存のスタイル(既存クラス)のいずれとも判断がつかない → よい評価 =識別時のクロスエントロピーの大きさで評価
論文: https://arxiv.org/abs/1706.07068 ブログ: https://hackernoon.com/can-creative-adversarial-network-explained-1e31aea1dfe8
Artについて、創造的な絵をGenerateするGAN. 従来のGANはDiscreminatorからreal/fakeの判定結果をGeneratorに教えていたが、CANでは生成されたデータが1. ArtかArtでないか, 2. どのクラス(この場合Style)に当てはまるかをGeneratorに教える。
1.のロスは通常のGANのロスと同じ(つまりrealかFakeか)。 2.のロスは多クラスのクロスエントロピー(通常の多クラス問題を解くときのロス)
おもしろいのはGeneratorが2.のロスを最小化することで、既存のクラスに無い絵を生成する。→つまり創造的な絵ができるという点。