完善资料让更多小伙伴认识你,还能领取20积分哦, 立即完善>
生成对抗网络(GAN)自其诞生以来一直盛行。它的一个最显著的成功在于是用各种各样的卷积结构生成逼真的自然图像。 近年来,人们对自动设计复杂的神经网络架构产生了浓厚的兴趣。神经架构搜索(NAS)已经成功地开发和评估了图像分类任务以及最近的图像分割。发现的架构优于人工设计的模型。然而,单纯地将现有的NAS想法从图像分类/分割移植到GAN是不够的。
|
|
相关推荐
4个回答
|
|
首先,即使采用人工设计的架构,GAN的训练也是出了名的不稳定且容易崩溃。将NAS融入训练过程无疑会加大难度。作为另一个重要挑战,虽然验证准确性为图像分类中的NAS提供了自然的奖励选择,但选择用于评估和指导GAN搜索过程的良好度量标准并不那么简单。
德克萨斯A&M大学和MIT-IBM Watson AI实验室的研究人员介绍了一种专为GAN量身定制的架构搜索方案,称为AutoGAN。AutoGAN是第一次将NAS与GAN结合使用的尝试,并且是首次尝试将NAS扩展到图像分类之外。这项研究的技术创新总结如下:
|
|
|
|
研究思路与模型架构
GAN由两个互相竞争和对抗的两个网络组成:生成器和判别器。众所周知,这两种架构必须在学习能力上实现微妙的平衡。因此,要构建AutoGAN,第一个问题是:如何在GAN(生成器和鉴别器,以下表示为G和D)中一起构建两个网络?一方面,如果使用预先固定的D(或G)并仅搜索G(或D),则很容易引起D或G 之间在性能上的不平衡,导致更新缓慢,或学习过程支离破碎。另一方面,虽然可以对G和D进行联合搜索,但经验和实验表明,这样的双向NAS将使得原本就不稳定的GAN训练变得更加恶化,导致训练曲线震荡剧烈,而且经常不能收敛。 权衡之下,研究人员建议使用NAS仅搜索G的体系结构,同时通过遵循给定的例程来堆叠预定义模块来增加D的深度。因此,AutoGAN遵循以下基本思想:使用递归神经网络(RNN)控制器从其搜索空间中选择模块来构建G网络。基本方案如图1所示。整个过程中进行了多个创新,以解决训练GAN的具体任务带来的独特挑战。 [img=650,158.60666666666665]https://osch.oss-cn-shanghai.aliyuncs.com/blogPicture/1566868936799.png[/img] 图1:RNN控制器的运行方案 图2:AutoGAN中生成器单元的搜索空间 图3:AutoGAN在CIFAR-10上发现的AutoGAN(生成器)架构 AutoGAN搜索的伪代码 |
|
|
|
实验设置和结果
数据集 研究人员采用CIFAR-10 作为AutoGAN的主要测试平台。它由50,000个训练图像和10,000个测试图像组成,每个图像的分辨率为32×32。只使用训练集训练AutoGAN,无需任何数据扩充。另外,使用STL-10数据集来显示AutoGAN发现架构的可转移性。在使用STL-10进行训练时,采用5000张图像的训练集和100000张图像的未标记集。所有图像都调整为48×48,没有增补任何其他数据。 训练细节 在训练共享GAN时,研究人员遵循频谱归一化GAN 的训练设置。发生器和鉴别器的学习率设置为2e-4,使用铰链损耗和Adam优化器,鉴别器的批规模为64,发生器的批量大小为128。频谱归一化仅在鉴别器上强制执行。使用Adam 训练控制器,学习率为3.5e-4。将控制器输出概率的熵添加到奖励中,加权1e-4,以鼓励探索。搜索AutoGAN 90次迭代。对于每次迭代,共享GAN将被训练15步,控制器训练30步。动态重置方差阈值设置为1e-3。使用与共享GAN相同的训练设置训练发现的体系结构,进行50,000次生成器迭代。 表1:CIFAR-10上无条件图像生成任务的初始分数和FID分数。研究人员获得了最新的FID分数12.42 图4:生成的AutoGAN的CIFAR-10结果,结果为随机抽样而非有意挑选 表2:STL-10上无条件图像生成的初始分数和FID分数。AutoGAN在CIFAR-10上使用发现的体系结构 |
|
|
|
结论、局限和讨论
AutoGAN首次尝试将NAS引入GAN。它能够在CIFAR-10和STL-10数据集上识别出高效的架构,从而在当前最先进的人工制作的GAN模型中实现具有竞争力的图像生成结果。 由于GAN训练本身的高度不稳定性和超参数敏感性,AutoGAN在图像分类方面似乎比NAS更具挑战性。回想一下,在AutoML的初始阶段,它只能设计与人类专家设计的神经网络相当的小型神经网络,这些结果仅限于小型学术数据集,如CIFAR-10和Penn Treebank。同样,尽管取得了初步的成功,但毫无疑问,AutoGAN还有很大的发展空间。 为了使AutoGAN比最先进的人工设计的GAN更具竞争力,研究人员指出了一些需要继续努力的具体项目:
|
|
|
|
只有小组成员才能发言,加入小组>>
【爱芯派 Pro 开发板试用体验】人体姿态估计模型部署后期尝试
1661 浏览 0 评论
1152 浏览 0 评论
【爱芯派 Pro 开发板试用体验】人体姿态估计模型部署后期尝试
1199 浏览 0 评论
【爱芯派 Pro 开发板试用体验】在爱芯派 Pro上部署坐姿检测
1206 浏览 0 评论
【爱芯派 Pro 开发板试用体验】利用爱芯派 Pro部署USB摄像头
1364 浏览 0 评论
【爱芯派 Pro 开发板试用体验】爱芯元智AX650N部署yolov5s 自定义模型
834浏览 1评论
1859浏览 1评论
【爱芯派 Pro 开发板试用体验】+ 利用TF卡进行系统更新
1502浏览 1评论
1460浏览 1评论
768浏览 0评论
小黑屋| 手机版| Archiver| 电子发烧友 ( 湘ICP备2023018690号 )
GMT+8, 2024-12-23 08:18 , Processed in 1.846555 second(s), Total 81, Slave 65 queries .
Powered by 电子发烧友网
© 2015 bbs.elecfans.com
关注我们的微信
下载发烧友APP
电子发烧友观察
版权所有 © 湖南华秋数字科技有限公司
电子发烧友 (电路图) 湘公网安备 43011202000918 号 电信与信息服务业务经营许可证:合字B2-20210191 工商网监 湘ICP备2023018690号