


Das traditionelle GAN kann nach Modifikation interpretiert werden und stellt die Interpretierbarkeit des Faltungskerns und die Authentizität der generierten Bilder sicher.
- Papieradresse: https://www.aaai.org/AAAI22Papers/AAAI-7931.LiC.pdf
- Autorenzugehörigkeiten: Institut für Computertechnologie, Chinesische Akademie der Wissenschaften, Shanghai Jiao Tong University, Zhijiang Laboratory
Forschungshintergrund und Forschungsaufgaben
Generative Adversarial Networks (GANs) haben große Erfolge bei der Generierung hochauflösender Bilder erzielt, und auch die Forschung zu deren Interpretierbarkeit hat in den letzten Jahren große Aufmerksamkeit erregt.
In diesem Bereich ist es immer noch eine große Herausforderung, GAN dazu zu bringen, eine entkoppelte Darstellung zu lernen. Die sogenannte entkoppelte Darstellung von GAN bedeutet, dass jeder Teil der Darstellung nur bestimmte Aspekte des generierten Bildes beeinflusst. Frühere Forschungen zur entkoppelten Darstellung von GANs konzentrierten sich auf unterschiedliche Perspektiven.
In Abbildung 1 unten beispielsweise entkoppelt Methode 1 die Struktur und den Stil des Bildes. Methode 2 lernt die Merkmale lokaler Objekte im Bild. Methode 3 lernt entkoppelte Merkmale von Attributen in Bildern, wie z. B. Altersattribute und Geschlechtsattribute von Gesichtsbildern. Diese Studien konnten jedoch keine klare und symbolische Darstellung verschiedener visueller Konzepte (z. B. Gesichtsteile wie Augen, Nase und Mund) in GANs liefern. Abbildung 1: Visueller Vergleich mit anderen GAN-entkoppelten Charakterisierungsmethoden
, wodurch sichergestellt wird, dass die Faltungskerne in der mittleren Schicht des Generators entkoppelte lokale visuelle Konzepte lernen können. Wie in Abbildung 2 unten gezeigt, repräsentiert im Vergleich zum herkömmlichen GAN jeder Faltungskern in der mittleren Schicht des interpretierbaren GAN beim Generieren unterschiedlicher Bilder immer ein bestimmtes visuelles Konzept, und unterschiedliche Faltungskerne repräsentieren unterschiedliche Visionskonzepte. Abbildung 2: Visueller Vergleich zwischen interpretierbarem GAN und traditioneller GAN-Codierungsdarstellung Interpretierbarkeit des Kernels und die Authentizität des generierten Bildes
Interpretierbarkeit des Faltungskerns: Die Forscher hoffen, dass der Faltungskern in der mittleren Schicht automatisch aussagekräftige visuelle Konzepte lernen kann, ohne dass visuelle Konzepte manuell mit Anmerkungen versehen werden müssen. Insbesondere sollte jeder Faltungskern beim Erzeugen verschiedener Bilder stabil Bildbereiche erzeugen, die demselben visuellen Konzept entsprechen. Verschiedene Faltungskerne sollten Bildbereiche erzeugen, die unterschiedlichen visuellen Konzepten entsprechen.
Authentizität der generierten Bilder: Der interpretierbare GAN-Generator kann weiterhin realistische Bilder erzeugen. Um die Interpretierbarkeit der Faltungskerne in der Zielschicht sicherzustellen, stellten die Forscher fest, dass mehrere Faltungskerne, wenn sie ähnliche Regionen erzeugen, die einem bestimmten visuellen Konzept entsprechen, dieses visuelle Konzept normalerweise gemeinsam darstellen.
Daher verwenden sie eine Reihe von Faltungskernen, um gemeinsam ein bestimmtes visuelles Konzept darzustellen, und verwenden unterschiedliche Sätze von Faltungskernen, um jeweils unterschiedliche visuelle Konzepte darzustellen.
Um gleichzeitig die Authentizität der generierten Bilder sicherzustellen, haben die Forscher die folgende Verlustfunktion entworfen, um das traditionelle GAN in ein interpretierbares GAN umzuwandeln. Für die qualitative Analyse visualisierten sie die Feature-Map jedes Faltungskerns, um die Konsistenz der vom Faltungskern dargestellten visuellen Konzepte auf verschiedenen Bildern zu bewerten. Wie in Abbildung 3 unten dargestellt, generiert im interpretierbaren GAN jeder Faltungskern bei der Generierung unterschiedlicher Bilder immer Bildbereiche, die demselben visuellen Konzept entsprechen, während unterschiedliche Faltungskerne Bildbereiche erzeugen, die unterschiedlichen visuellen Konzepten entsprechen. Abbildung 3: Visualisierung von Feature-Maps in interpretierbarem GAN. Der Unterschied ist in Abbildung 4(a) unten dargestellt. Abbildung 4(b) zeigt den Anteil der Anzahl der Faltungskerne, die verschiedenen visuellen Konzepten im interpretierbaren GAN entsprechen. Abbildung 4(c) zeigt, dass bei unterschiedlicher Anzahl der zur Teilung ausgewählten Faltungskerngruppen die visuellen Konzepte, die das interpretierbare GAN erlernt, umso detaillierter sind, je mehr Gruppen vorhanden sind. Abbildung 4: Qualitative Bewertung von erklärbarem GAN Beispielsweise kann die Interaktion spezifischer visueller Konzepte zwischen Bildern durch den Austausch der entsprechenden Feature-Maps in der interpretierbaren Ebene erreicht werden, d. h. der lokale/globale Gesichtsaustausch wird abgeschlossen. Abbildung 5 unten zeigt die Ergebnisse des Austauschs von Mund, Haaren und Nase zwischen Bildpaaren Abbildung 6: Austauschen des gesamten Gesichts des generierten Bildes Insbesondere wird bei einem Paar von Gesichtsbildern das Gesicht des Originalbilds durch das Gesicht des Quellbilds ersetzt, um ein modifiziertes Bild zu erzeugen. Testen Sie dann, ob das Gesicht im geänderten Bild und das Gesicht im Quellbild dieselbe Identität haben. Tabelle 1 unten zeigt die Genauigkeit der Gesichtsüberprüfungsergebnisse verschiedener Methoden Ihre Methode ist hinsichtlich der Identitätserhaltung besser als andere Methoden zum Gesichtsaustausch. Tabelle 1: Genauigkeitsbewertung der Face-Swapping-Identität Darüber hinaus wurde im Experiment auch die Lokalität der Methode bei der Modifizierung spezifischer visueller Konzepte bewertet. Konkret berechneten die Forscher den mittleren quadratischen Fehler (MSE) zwischen dem Originalbild und dem modifizierten Bild im RGB-Raum und verwendeten das Verhältnis des MSE außerhalb der Region und des MSE innerhalb der Region eines bestimmten visuellen Konzepts als Experiment Index zur Ortsbewertung. Die Modifikationsmethode des Forschers weist eine bessere Lokalität auf, das heißt, es gibt weniger Änderungen im Bildbereich außerhalb des modifizierten visuellen Konzepts.
Tabelle 2: Lokalitätsbewertung modifizierter visueller KonzepteWeitere experimentelle Ergebnisse finden Sie im Artikel. Zusammenfassung Experimente zeigen, dass interpretierbares GAN es Menschen auch ermöglicht, bestimmte visuelle Konzepte auf den generierten Bildern zu ändern, was eine neue Perspektive auf die kontrollierbare Bearbeitungsmethode von GAN-generierten Bildern bietet.
. Die letzte Spalte gibt den Unterschied zwischen dem geänderten Bild und dem Originalbild an. Dieses Ergebnis zeigt, dass die Methode der Forscher nur das lokale visuelle Konzept veränderte, ohne andere irrelevante Bereiche zu verändern. Abbildung 5: Spezifische visuelle Konzepte für den Austausch generierter Bilder
Diese Arbeit schlägt eine allgemeine Methode vor, mit der traditionelle GANs in interpretierbare GANs umgewandelt werden können, ohne dass visuelle Konzepte manuell annotiert werden müssen. In einem interpretierbaren GAN kann jeder Faltungskern in der mittleren Schicht des Generators beim Generieren unterschiedlicher Bilder stabil dasselbe visuelle Konzept generieren.
Das obige ist der detaillierte Inhalt vonDas traditionelle GAN kann nach Modifikation interpretiert werden und stellt die Interpretierbarkeit des Faltungskerns und die Authentizität der generierten Bilder sicher.. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Bei der Konvertierung von Zeichenfolgen in Objekte in Vue.js wird JSON.Parse () für Standard -JSON -Zeichenfolgen bevorzugt. Bei nicht standardmäßigen JSON-Zeichenfolgen kann die Zeichenfolge durch Verwendung regelmäßiger Ausdrücke verarbeitet und Methoden gemäß dem Format oder dekodierten URL-kodiert reduziert werden. Wählen Sie die entsprechende Methode gemäß dem String -Format aus und achten Sie auf Sicherheits- und Codierungsprobleme, um Fehler zu vermeiden.

Der Artikel führt den Betrieb der MySQL -Datenbank vor. Zunächst müssen Sie einen MySQL -Client wie MySQLworkBench oder Befehlszeilen -Client installieren. 1. Verwenden Sie den Befehl mySQL-uroot-P, um eine Verbindung zum Server herzustellen und sich mit dem Stammkonto-Passwort anzumelden. 2. Verwenden Sie die Erstellung von Createdatabase, um eine Datenbank zu erstellen, und verwenden Sie eine Datenbank aus. 3.. Verwenden Sie CreateTable, um eine Tabelle zu erstellen, Felder und Datentypen zu definieren. 4. Verwenden Sie InsertInto, um Daten einzulegen, Daten abzufragen, Daten nach Aktualisierung zu aktualisieren und Daten nach Löschen zu löschen. Nur indem Sie diese Schritte beherrschen, lernen, mit gemeinsamen Problemen umzugehen und die Datenbankleistung zu optimieren, können Sie MySQL effizient verwenden.

Zusammenfassung: Es gibt die folgenden Methoden zum Umwandeln von VUE.JS -String -Arrays in Objektarrays: Grundlegende Methode: Verwenden Sie die Kartenfunktion, um regelmäßige formatierte Daten zu entsprechen. Erweitertes Gameplay: Die Verwendung regulärer Ausdrücke kann komplexe Formate ausführen, müssen jedoch sorgfältig geschrieben und berücksichtigt werden. Leistungsoptimierung: In Betracht ziehen die große Datenmenge, asynchrone Operationen oder effiziente Datenverarbeitungsbibliotheken können verwendet werden. Best Practice: Clear Code -Stil, verwenden Sie sinnvolle variable Namen und Kommentare, um den Code präzise zu halten.

Um die Zeitüberschreitung für Vue Axios festzulegen, können wir eine Axios -Instanz erstellen und die Zeitleitungsoption angeben: in globalen Einstellungen: vue.Prototyp. $ Axios = axios.create ({Timeout: 5000}); In einer einzigen Anfrage: this. $ axios.get ('/api/user', {timeout: 10000}).

Verarbeiten Sie 7 Millionen Aufzeichnungen effizient und erstellen Sie interaktive Karten mit Geospatial -Technologie. In diesem Artikel wird untersucht, wie über 7 Millionen Datensätze mithilfe von Laravel und MySQL effizient verarbeitet und in interaktive Kartenvisualisierungen umgewandelt werden können. Erstes Herausforderungsprojektanforderungen: Mit 7 Millionen Datensätzen in der MySQL -Datenbank wertvolle Erkenntnisse extrahieren. Viele Menschen erwägen zunächst Programmiersprachen, aber ignorieren die Datenbank selbst: Kann sie den Anforderungen erfüllen? Ist Datenmigration oder strukturelle Anpassung erforderlich? Kann MySQL einer so großen Datenbelastung standhalten? Voranalyse: Schlüsselfilter und Eigenschaften müssen identifiziert werden. Nach der Analyse wurde festgestellt, dass nur wenige Attribute mit der Lösung zusammenhängen. Wir haben die Machbarkeit des Filters überprüft und einige Einschränkungen festgelegt, um die Suche zu optimieren. Kartensuche basierend auf der Stadt

Es gibt viele Gründe, warum MySQL Startup fehlschlägt und durch Überprüfung des Fehlerprotokolls diagnostiziert werden kann. Zu den allgemeinen Ursachen gehören Portkonflikte (prüfen Portbelegung und Änderung der Konfiguration), Berechtigungsprobleme (Überprüfen Sie den Dienst Ausführen von Benutzerberechtigungen), Konfigurationsdateifehler (Überprüfung der Parametereinstellungen), Datenverzeichniskorruption (Wiederherstellung von Daten oder Wiederaufbautabellenraum), InnoDB-Tabellenraumprobleme (prüfen IBDATA1-Dateien), Plug-in-Ladeversagen (Überprüfen Sie Fehlerprotokolle). Wenn Sie Probleme lösen, sollten Sie sie anhand des Fehlerprotokolls analysieren, die Hauptursache des Problems finden und die Gewohnheit entwickeln, Daten regelmäßig zu unterstützen, um Probleme zu verhindern und zu lösen.

Remote Senior Backend Engineer Job Vacant Company: Circle Standort: Remote-Büro-Jobtyp: Vollzeitgehalt: 130.000 bis 140.000 US-Dollar Stellenbeschreibung Nehmen Sie an der Forschung und Entwicklung von Mobilfunkanwendungen und öffentlichen API-bezogenen Funktionen, die den gesamten Lebenszyklus der Softwareentwicklung abdecken. Die Hauptaufgaben erledigen die Entwicklungsarbeit unabhängig von RubyonRails und arbeiten mit dem Front-End-Team von React/Redux/Relay zusammen. Erstellen Sie die Kernfunktionalität und -verbesserungen für Webanwendungen und arbeiten Sie eng mit Designer und Führung während des gesamten funktionalen Designprozesses zusammen. Fördern Sie positive Entwicklungsprozesse und priorisieren Sie die Iterationsgeschwindigkeit. Erfordert mehr als 6 Jahre komplexes Backend für Webanwendungen

Die MySQL -Leistungsoptimierung muss von drei Aspekten beginnen: Installationskonfiguration, Indexierung und Abfrageoptimierung, Überwachung und Abstimmung. 1. Nach der Installation müssen Sie die my.cnf -Datei entsprechend der Serverkonfiguration anpassen, z. 2. Erstellen Sie einen geeigneten Index, um übermäßige Indizes zu vermeiden und Abfrageanweisungen zu optimieren, z. B. den Befehl Erklärung zur Analyse des Ausführungsplans; 3. Verwenden Sie das eigene Überwachungstool von MySQL (ShowProcessList, Showstatus), um die Datenbankgesundheit zu überwachen und die Datenbank regelmäßig zu sichern und zu organisieren. Nur durch kontinuierliche Optimierung dieser Schritte kann die Leistung der MySQL -Datenbank verbessert werden.
