Как вообще мы можем оценить сгенерированные изображения с помощью GAN?

Как правильно оценивать изображения, созданные с помощью GAN?

Обзор показателей оценки моделей GAN

GAN состоит из двух основных сетей: генератора и сети дискриминатора. Модель генератора GAN обучается с использованием второй модели, называемой дискриминатором, который обучается классифицировать изображения как реальные или сгенерированные. И генератор, и дискриминатор обучаются вместе, чтобы поддерживать равновесие.

Таким образом, нет объективной функции потерь, используемой для обучения моделей генератора GAN, и нет способа объективно оценить прогресс обучения и относительное или абсолютное качество модели только на основе потерь. Это означает, что модели должны оцениваться по качеству сгенерированных синтетических изображений и вручную проверяться сгенерированные изображения.

Эта статья является третьей в серии из пяти статей. В следующей мы рассмотрим популярные модели GAN и их основные применения, и завершим эту серию полноценным GAN-проектом.

Хотите начать карьеру в области науки о данных и искусственном интеллекте и нуждаетесь в обучении? Я предлагаю сессии наставничества по науке о данных и долгосрочное наставничество в карьере:

Подпишитесь на мою рассылку To Data & Beyond, чтобы получить полный и ранний доступ к моим статьям:

To Data & Beyond | Youssef Hosni | Substack

Наука о данных, машинное обучение, искусственный интеллект и то, что находится за пределами. Щелкните, чтобы прочитать “To Data & Beyond” от Юссеф Хосни,…

youssefh.substack.com

1. Ручная оценка

Иан Гудфеллоу и др. использовали в своей статье Улучшенные техники обучения GAN для оценки производительности их GAN путем привлечения людей-аннотаторов, которые вручную оценивали визуальное качество синтезированных образцов. Они создали веб-интерфейс и наняли аннотаторов на Amazon Mechanical Turk (MTurk), чтобы различать между сгенерированными данными и реальными данными.