11571

بررسي شبكه هاي مولد متخاصم (الگوريتم ها و كاربرد ها)

1399

دكتر فرزان حدادي

يكي از مهم‌ترين چالش‌ ها در پردازش سيگنال هاي آماري و يادگيري ماشين، چگونگي به دست آوردن يك مدل مولد است كه بتواند نمونه‌ هايي از توزيع داده‌ ها در مقياس بزرگ، مانند تصاوير و گفتار را توليد كند. شبكه هاي مولد متخاصم (GANs) يك روش موثر براي رفع اين مشكل است. شبكه هاي GAN روشي مناسب براي يادگيري بازنمايي هاي عميق بدون استفاده گسترده از داده هاي آموزشي برچسب گذاري شده ارائه مي كنند. اين رويكرد توجه بسياري از محققان در حوزه بينايي كامپيوتر را به خود جلب كرده است زيرا مي تواند حجم زيادي از داده ها را بدون مدل سازي دقيق تابع چگالي احتمال (PDF) توليد كند. در شبكه هاي GAN، مدل مولد از طريق يك فرآيند رقابتي تخمين زده مي شود كه در آن شبكه ‌هاي مولد و تفكيك كننده به طور همزمان آموزش داده مي‌شوند. مولد ياد مي گيرد كه داده هاي قابل قبولي توليد كند و تفكيك كننده ياد مي گيرد كه داده هاي جعلي ايجاد شده توسط مولد را از نمونه هاي داده واقعي تشخيص دهد. با توجه به رشد سريع شبكه هاي GAN در چند سال اخير و كاربرد آنها در زمينه هاي مختلف، بررسي دقيق اين شبكه ها ضروري است. در اين پژوهش، پس از معرفي مفاهيم پايه و تئوري هاي مختلف شبكه هاي GAN در قالب يك طبقه بندي جامع، متريك هاي ارزيابي استفاده شده، كاربرد هاي گوناگون، محدوديت ها و چالش هاي شبكه هاي GAN نيز توضيح داده شده است.

12/21/2022 12:00:00 AM

77266

1401/10/05