KUBIG 2023-1 활동 블로그

새 창에서 열기

방학 세션/KUBIG CONTEST 2023. 3. 13. 21:53

새 창에서 열기

방학 세션/KUBIG CONTEST 2023. 3. 13. 21:44

새 창에서 열기

방학 세션/KUBIG CONTEST 2023. 3. 13. 21:39

새 창에서 열기

방학 세션/KUBIG CONTEST 2023. 3. 13. 21:37

0. Introduction 최근까지도 많이 쓰이고 있는 GAN을 제시한 Ian Gootfellow의 논문입니다. GAN은 Generator(생성모델)와 Discriminator(판별모델)의 서로 다른 2개의 네트워크로 구성되어 있습니다. GAN을 설명할 때 가장 많이 드는 예시가 경찰과 위조지폐범 이야기입니다. 위조지폐범은 경찰을 속이려고 하고, 경찰은 돈을 보고 이것이 위조지폐인지 진짜 지폐인지 구분합니다. 위조지폐범과 경찰은 각각 생성 모델과 판별 모델에 대응됩니다. 판별 모델은 생성 모델이 만들어낸 데이터를 입력으로 받습니다. 그 이후 입력된 데이터가 가짜라고 생각하면 0, 진짜라고 생각하면 1을 출력하게 됩니다. 생성 모델은 경찰이 나의 가짜 데이터를 진짜 데이터로 분류하도록 속일 수 있는 방향..

방학 세션/CV 2023. 2. 22. 17:47

Introduction 딥러닝은 자연이미지, 음성을 포함한 오디오 파형, 자연어 말뭉치와 등의 데이터에 대한 확률 분포를 표현하는 rich, hierarchical한 모델을 발견하게 해준다. 지금까지 가장 성공적인 부분은 discriminative model, 주로 고차원의 입력을 특정 class label로 매핑해주는 모델과 관련이 있다. 해당 모델은 piecewise linear unit를 사용한 역전파 기법과 드롭아웃 알고리즘를 기반으로 성능을 낼 수 있었다. 반면, 다루기 힘든 probabilistic computation의 추정의 어려움, piecewise linear unit의 적용의 어려움으로 deep generative model은 큰 성과를 내지 못하였다. 이에 따라 해당 논문은 새로운 ..

방학 세션/CV 2023. 2. 21. 23:56

동시에 두가지 모델을 학습하는 것을 목적으로 한다. 생성모델이 G와 식별 모델인 D를 대상으로 진행이 되며, G 모델은 D가 잘 못 구별하는 가능성을 최대화하는 것을 목표로 하고, D는 학습 데이터와 G의 데이터를 구분하는 것을 목표로 한다. (minimax two player game) G는 D의 구별이 언제나 1/2 이 될 수 있도록 1. Introduction 지금까지 딥러닝은 데이터에 대해 근사하는 확률 분포를 나타내는 계층 모델 발견하는 것이었다. well-behaved gradient를 갖는 선형 활성화 함수들을 사용한 역전파, dropout 알고리즘이었다. Deep generative models은 두가지 어려움으로 인해 임팩트가 적었다. - maximum likelihood estimati..

방학 세션/CV 2023. 2. 21. 23:31

Introduction 이 논문은 Adversarial nets 프레임 워크를 새로 소개합니다. 이 모델의 핵심은 진짜 같은 가짜를 만들어 내는 것입니다. Adversarial nets는 서로 적대적인 generative model과 discriminative model을 사용합니다. Generative model의 목적은 진짜 데이터와 비슷한 가짜를 만들어 내는 것입니다. 반대로 discriminative model은 실제 데이터와 generative model이 만들어낸 데이터를 구별합니다. 두 모델은 서로 경쟁을 통해 성능을 발전시켜 나갑니다. 결과적으론 discriminative model의 "정답 확률"이 50%에 수렴하는 generative model을 만드는 것이 목적입니다. Adversar..

방학 세션/CV 2023. 2. 21. 23:25