Разделы: Информационные технологии
Размещена 06.01.2021. Последняя правка: 14.01.2021.
Просмотров - 1682

Метод генеративно-состязательной сети

Альхамов Роман Ильдарович

Без степени, без звания

Уфимский Государственный Авиационный Технический Университет

Студент

Богданов Марат Робертович, доцент кафедры вычислительной математики и кибернетики, Уфимский Государственный Авиационный Технический Университет

УДК 004

Введение. Все чаще человеку приходится сталкиваться с огромным количеством информации, правильная обработка которых может позволить решить многие практические проблемы. Умение распознавать изображения многократно увеличивает скорость обработки данных,  быстро находя и структурируя их для выполнения различных задач, таких как бытовые, социальные и даже обеспечение государственной безопасности.  Применение нейросетей может заметно облегчить жизнь человека, убрав необходимость ручной проверки огромного количества труднодоступной информации, а также сделать результаты проверки более надежными. 

Актуальность. С каждым годом объем информации, с которым человеку приходится иметь дело, постоянно увеличивается. Поэтому все большее внимание уделяется скорость и надежности обработки больших объемов данных. Как следствие, метод генеративно-состязательной сети, позволяющий быстро обрабатывать большой объем данных, становиться все более актуальным. Он заключается в одновременном обучении сразу двух нейросетей, каждая из которых стремится стать лучше другой для обеспечения наилучшей генерации и распознавания информации. 

Также генеративно-состязательная сеть дает возможность автоматически создавть и редактировать изображения. Данный подход используется для генерации реалистичной окружающей среды в видеоклипах и фильмах, что позволяет сэкономить время дизайнерам. Также подобный подход можно использовать для колоризации черно-белых фотографий, воссоздание трехмерных моделей объекта по его неполным фрагментам и увеличения качества изображений, полученных со спутников в космосе. Применение данного подхода дает большие возможности и может продвинуть науку вперед.

С точки зрения IT-сферы нейросети все глубже проникают в жизнь человека. Дальнейшее развитие информационных технологий в области искусственного интеллекта может помочь с обработкой огромных массивов данных, чем сильно улучшит качество жизни и труда человека.

Целью данной статьи является изучение самого метода генеративно-состязательной сети и его актуальности на данный момент.

Задача генеративно-состязательной сети включает в себя работу с входными данными и создания на их основе новых. Под работой подразумевается генерация изображения, на основе полученного набора данных, и передача этого изображения на проверку подлинности.

 

В области искусственного интеллекта существует много методов обучения нейронной сети. Одним из таких является генеративно-состязательная сеть (сокращенно GAN). В основе данной сети лежит принцип состязательности,возникающий в результате антагонистической игры, где результаты участников противоположны.  Данный тип обучения подразумевает комбинацию из двух нейросетей, где одна из них генерирует образцы, а другая их отбраковывает.

 

 

В качестве материалов при реализации данного метода выступают изображения. Их загружают со специалым набором данных, на основе которых потом нейросеть сама генерирует произвольные изображения.

Дискриминационные алгоритмы классифицируют входные данные и определяют категорию, к которым они относятся. В основе их работы лежат сверточные нейронные сети, способные распознавать образы на изображениях, такие как цифры. Таким образом, алгоритм способен определить, является  письмо рекламным или нет, а также найти все изображения с собакой. 

Алгоритм генерации, в отличии от дискриминатора, предназначен для подбора изображений под данную категорию. Цель генератора – создать изображения, которые дискриминатор посчитает подлинными. Сначала нейросети генерирует произвольный шум, из которого в последствии проявляются изображения. В основе генератора лежат нейронные сети прямого распространения (Feedforward neural network, сокращенно FFNN).

Принцип работы данной нейросети заключается таков: генератор создает новые изображения и передает их на оценку дискриминатору, который, в свою очередь, определяет, является ли изображение подлинным.

 

 

Сначала генератор получает случайное число и возвращает изображение, потом он добавляет это изображение вместе с другими, взятыми из набора данных, в дискриминатор. Дискриминатор принимает набор изображений и возвращает вероятность в виде чисел в диапазоне от 0 до 1, где 0 – фальшивое изображение, а 1 – подлинное.                                                                                

Отличительной чертой данного метода является также тот факт, что каждая ее частей может быть лучше другой, что может привести к проблемам с эффективностью. Например, если генератор хорошо обучен, а дискриминатор нет, то ложные изображение могут быть приняты за истинные. Если же слишком хорош дискриминатор, у генератора могут возникнуть проблемы с градиентом.

Научная новизна. В настоящее время в свободном доступе отсутствуют работы, которые рассматривали бы актуальность генеративно-состязательной системы. В отдельных научных работах может быть найдена часть интересующей информации, однако отсутствует целостная картина. Эта статья ставит целью ознакомление с методом генеративно-состязательных сетей и может послужить отправной точкой для дальнейших исследований. 

Заключение. Ввиду всего вышесказанного можно сделать вывод, что человеку нередко приходится иметь дело с большим объемом данных. Нередко эти данные плохо структурируются, что делает работы с ними еще сложнее. Решением этой проблемы может стать метод генеративно-состязательных сетей, позволяющий не только обробатывать большое количество информации, но и на её основе создавать новые данные, не отличимые от подлинных.

1. Что такое GAN – генеративно-состязательные нейронные сети и как их применять для генерации изображений [Электронный ресурс]. – Режим доступа URL: https://evergreens.com.ua/ru/articles/gan.htm (Дата обращения 02.12.2020)
2. Генеративно-состязательная нейросеть (GAN). Руководство для новичков [Электронный ресурс]. – Режим доступа URL https://neurohive.io/ru/osnovy-data-science/gan-rukovodstvo-dlja-novichkov/ (Дата обращения 02.12.2020)
3. Как работает нейронная сеть: алгоритмы, обучение, функции активации и потери [Электронный ресурс]. – Режим доступа URL https://neurohive.io/ru/osnovy-data-science/osnovy-nejronnyh-setej-algoritmy-obuchenie-funkcii-aktivacii-i-poteri/ (Дата обращения 02.12.2020)
4. Синтетическая компьютерная томография грудной клетки на основе Диксона с использованием генеративно-состязательных сетей [Электронный ресурс]. – Режим доступа URL https://www.sciencedirect.com/science/article/pii/S2666521220300107 (Дата обращения 03.12.2020)
5. Нейронные сети: распознавание образов и изображений c помощью ИИ [Электронный ресурс]. – Режим доступа URL https://center2m.ru/ai-recognition (Дата обращения 03.12.2020)
6. Генеративно-состязательная сеть [Электронный ресурс]. – Режим доступа URL https://vbystricky.github.io/2017/09/gan.html (Дата обращения 03.12.2020)
7. GANCCRobot: Робот для китайской каллиграфии на основе генеративных состязательных сетей [Электронный ресурс]. – Режим доступа URL https://www.sciencedirect.com/science/article/abs/pii/S0020025519312071 (Дата обращения 03.12.2020)
8. Синтез изображений сетчатки и нейронов с помощью генеративных состязательных сетей [Электронный ресурс]. – Режим доступа URL https://www.sciencedirect.com/science/article/pii/S1361841518304596 (Дата обращения 03.12.2020)
9. Генеративное состязательное обучение для нейронного машинного перевода [Электронный ресурс]. – Режим доступа URL https://www.sciencedirect.com/science/article/abs/pii/S0925231218310671 (Дата обращения 03.12.2020)
10 Улучшение речи с помощью импровизированных условных генеративных состязательных сетей [Электронный ресурс]. – Режим доступа URL https://www.sciencedirect.com/science/article/abs/pii/S0141933120304403 (Дата обращения 03.12.2020)
11 Синтетическая компьютерная томография грудной клетки на основе Диксона с использованием генеративно-состязательных сетей [Электронный ресурс]. – Режим доступа URL https://www.sciencedirect.com/science/article/pii/S2666521220300107 (Дата обращения 03.12.2020)
12 Состязательная сеть с множественным вниманием для создания подписей к изображениям [Электронный ресурс]. – Режим доступа URL https://www.sciencedirect.com/science/article/abs/pii/S0925231219317825 (Дата обращения 02.12.2020)

Рецензии:

6.01.2021, 10:57 Кожанова Евгения Романовна
Рецензия: Доброе время суток. Статью необходимо переработать. Нет упоминаниях о принципе состязательности, характеризующим данную сеть. Замечания: 1) название статьи (Обзор подразумевает рассмотрение, сравнение нескольких объектов или мнений); 2) аннотация статьи - первые два предложения относятся, а остальное - заключение или их надо переформулировать. 3) Ваш текст "Проводится оценка актуальности данного направления, рассматриваются задачи и методы машинного обучения". Как Вы провели оценку актуальности, если в Вашем списке литературы нет ни одного иностранного источника (даже переводного). Чтобы провести оценку у Вас должен быть хороший литературынй обзор отечественных и иностранных УЧЕНЫХ в этой области или результаты каких-то опросов??? Вторая часть этого предложения - "рассматриваются задачи и методы машинного обучения". Сами задачи и методы машинного обучения Вы в статье не рассматриваете, Вы рассматриваете только "Задача генеративно-состязательной сети.." (это Ваш текст) и так далее. Автору порекомендовала бы написать статью с описанием примера работы данной сети, объясняющего ее метод и особенности, а также возможности применения.

1.03.2021, 0:22 Поплавская Лидия Андреевна
Рецензия: Содержимое заявленной автором безграмотной статьи не соответствует ни сформулированной в ней цели, ни поставленной задаче. GAN – довольно молодой метод, появился только в 2014 году, а первые “приличные” результаты появились в 2016-2017 годах), но, тем не менее, обзорам новых вариаций GAN и способам их применения в настоящее время посвящено достаточно много статей, причем, в свободном доступе, что противоречит заявленному автором (в научной новизне) их отсутствию. В настоящее время GAN является очень активной темой исследований, и существует множество различных типов реализации GAN, с которыми автору следовало бы познакомиться. Никаких аспектах научности, фундаментальности, новых взглядов на применимость метода в статье не присутствует. Научному руководителю автора статьи следовало бы более серьезнее относиться к своему научному руководству. Изложенный автором материал статьи – полнейшая халявщина. Автору для начала следовало бы прочитать первоначальную статью «Состязательные нейронные сети», являющуюся образцом ясности для научной статьи и посмотреть видео-лекции о GAN Али Али Годси С уважением, Лидия Андреевна Поплавская

11.03.2021, 17:51 Нурмухамедов Толаниддин Рамзиддинович
Рецензия: 11.03.2021 Нурмухамедов Толаниддин Рамзиддинович Работа требует доработки: введение и актуальность работы повторяются; цель работы не отражает выполненную НИР; научная новизна должна отражать предлагаемую автором эффективную методику изучения генеративно-состязательной системы



Комментарии пользователей:

Оставить комментарий