패스트캠퍼스 환급챌린지 38일차 : Part3. 인공지능의 이해 Lv2 : 숲을 보는 인공지능

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

https://bit.ly/4hTSJNB

커리어 성장을 위한 최고의 실무교육 아카데미 | 패스트캠퍼스

Ch09-01 GAN-GAN의 개념 및 주요 구성
1) GAN - Generativ Adversarial network
- 2014년 무렵 컨볼루션 알고리즘의 등장과 함께 생성형 ai가 등장함
- 생성가능한 적대적 신경망으로 생성자/판별자의 구조로 만들어짐
: 생성자 => 입력으로 노이즈를 받아서 가짜 데이터를 출렫
: 판별자 => 입력으로 생성자에서 받은 가짜 데이터 또는 진짜 데이터를 받아서, 판단 진위여부를 출력함
2) GAN의 한계
- 생성자와 판별자의 실력을 비슷하게 맞추는 것이 어렵기 때문에 학습시키기 어려운 부분이 존재함
- 생성자의 결과뮬이 어떤 과정을 통해서 나왔는지 알기 어려움
- 새롭게 만들어 낸 데이터의 객관적 판단이 어려움

Ch09-02 GAN - DCGAN
- GAN의 특징은 무언가를 생성해 내는 것인데, 생성한 결과물이 기존 데이터의 복제본인지, 기존의 특징을 가공하여 생성한 데이터인지를 증명해냄
- DCGAN의 구조
: GAN과 같이 생성자/판별다의 구조로 이루어짐
: 생성자와 판별자에 컨볼루션 연산을 적용함
1) 생성자의 프로세스
- Noise -> Transposed Convolution -> Batch Normalized -> Relu -> Tanh
2) 판별자의 프로세스
- 데이터 -> dropout -> convolution -> leakRelu -> Batch Normalized -> sigmoid
3) 특징
- 각 레이어의 스트라이드 옵션을 사용
- 배치 노멀라이즈 적용
- 풀리커넥션 레이어가 없음
- Relu, tanh 로 생성자가 구성됨
- LeakyRelu, sigmoid로 판별자가 구성됨
4) 새로운 것을 창조했는지에 대한 검증 방법
- Walking in the latent space => 각 점을 조금씩 옮겨가면서 레이던트 공간의 뱐화를 확인
- Visualizing the Discriainator Feature => 특정 피처를 제외했을 때 출력에서 해당 피처가 사라짐
- Vector arthmatic on face sample => 벡터연산으로 이미지 생성이 가능한 것울 검증

Ch09-03 GAN - GAN의 활용
1) pix2pix
- 하나의 픽셀을 다른 픽셀로 변경, 단 Ground truth 데이터가 필요함
2) CycleGAN
- pix2pix의  개선 버전
- pair 이미지 없티 인풋과 아웃풋의 순환구조로 학습
3) DiscoGAN
- 도메인 정보를 학습해서 반영
4) StyleGAN
- 고화질의 뚜렷핰 데이터를 만들어냄
- 저해상도의 이미지에서 고해상도 이미지로 학습을 진행
5) 폰트생성, 만화이미지 생성, 텍스트을 이미지로 생성, 페이스에이징, super resolution, anomoly detection 에 활용됨

.