인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
피인용 0
초록·키워드
적대적 생성 네트워크(Generative Adversarial Network)는 모든 픽셀에 대해 생성망과 판별망이 적대적으로 동작해야 하는 특성상 고해상도 이미지를 생성하기 어렵다는 문제와, 적대적 훈련 과정에 의해 데이터셋 분포 학습이 불안정하다는 문제를 동시에 가지고 있다. 데이터셋 분포 학습 과정에서 영상 제어를 통한 결과물을 생성하기 위해 다양한 기존 연구들이 생성망의 입력인 잠재벡터에 조건을 결합하는 방식으로 영상을 제어한다. 그러나 불안정한 GAN의 특성상 결합한 조건에 부합하는 고품질의 이미지를 생성하는데 한계가 있다. 비전 분야에서 기 학습된 특징 매핑 신경망을 도입해 하위 작업에 전이 학습하여 사용하는 접근은 잘 알려진 학습의 효과를 높여주는 방법이다. 본 논문에서는 전이 학습을 응용하여 생성자의 표현력을 향상시킴과 동시에 학습의 안정성을 도모하고자 하였으며, 생성망의 입력인 잠재벡터에 조건을 결합한 조건 벡터에 부합하는 고해상도 이미지를 생성하고자 하였다. 영상을 저차원의 은닉 공간으로의 임베딩 후 다시 복원하는 일련의 과정을 인코더-디코더를 통해 사전훈련하였고, 사전 훈련 과정에서 저차원의 은닉 공간으로 임베딩된 벡터를 분류기를 통해 예측한 레이블과 입력 레이블의 오차를 줄여나가는 방향으로 학습시켰다. 고차원의 영상 공간으로 복원하는 네트워크를 생성망의 초기 가중치로 설정하였으며, 저차원의 은닉 공간으로 임베딩하는 네트워크를 생성망 출력을 입력으로 받는 네트워크에 고정 가중치로 설정하여 최종적으로 향상된 학습 안정성과 컨디셔닝 제어를 가능하게 하는 모델인 PSC-GAN (Pre-weighted Stabilized Conditioning Generative Adversarial Network)을 제안함으로써, 동일 조건에서 기존 GAN 학습 시 비교군 기준 대비 정량적으로 10% 가까운 성능 향상이 이루어짐을 확인하였다.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-24-02-089458662
