Conditional Generative Adversarial Nets

이 포스트는 Conditional Generative Adversarial Nets (링크: https://arxiv.org/pdf/1411.1784.pdf)를 읽고 정리한 것 입니다.

 

 

Conditional Generative Adversarial Network는 Original Gan에서 어떤 condition을 가해주어 이미지 생성을 원하는 방향으로 이끌어 주는 것이다.

 

Conditioning은 class label, some part of data for inpainting like [5], 심지어 다른 modality에서 온 data를 바탕으로 합니다.

 

-Original Gan

우리가 지금까지 알고 있던 Original Gan은 2 player min-max game을 통하여 이와 같이 학습합니다.

        -Discriminator 입장에서 logD(x)를 감소시키는 방향으로 , Generator 입장에서 logD(x)를 증가시키는 방향으로 학습.

        -Discriminator 입장에서 1-D(G(z))를 증가시키는 방향으로, Generator 입장에서 1-D(G(z))를 감소시키는 방향으로 우리는 학습.

 

-Conditional Gan

 

Conditional Gan 식

이전 Original GAN과의 차이점은 Generator와 Discriminator에 특정 condition을 나타내는 정보 y를 추가한 것이다.

 

-Maxout

논문의 Unimodal에서 Discriminator에 max out layer가 사용되었음을 알 수 있다.

일반적으로 1개의 hidden layer로 구성된 것과 달리 maxout layer는 두 개의 hidden layer로 구성되어 있다.

이 구성은 affine funcion을 수행하는 초록색 부분과 최댓값을 구하는 파란색으로 나누어져 있다.

초록색 부분은 전통 hidden layer와 같이 활성함수가 있는 것이 아니라, x에 weight을 구하는 간단한 구조로 되어 있다.

 

-result

 

각 row가 한 label로 인해 조건이 더해진 결과물

논문에서는 MNIST data에 대하여 조건 y를 one-hot encoding 시킨 class label을 사용하였다.

 

-reference 

http://blog.naver.com/PostView.nhn?blogId=laonple&logNo=221306150417&categoryNo=0&parentCategoryNo=0&viewDate=¤tPage=1&postListTopCurrentPage=1&from=postView&userTopListOpen=true&userTopListCount=10&userTopListManageOpen=false&userTopListCurrentPage=1

[Part VIII. GAN] 5. cGAN(Conditional GAN) - 라온피플 머신러닝 아카데미

https://learnai.tistory.com/category/Deep%20Learning

'Deep Learning' 카테고리의 글 목록

http://blog.naver.com/laonple/220836305907

[Part Ⅵ. CNN 핵심 요소 기술] 4. Maxout - 라온피플 머신러닝 아카데미 -