Abstract •Style transfer lecture에서 차용하여 GAN을 위한 새로운 Generator 아키텍쳐 제안 • 새로운 아키텍쳐는 1. 자동으로 학습됨 2. 높은 수준의 특징들(자세, 정체성 등)이 unsupervised seperation됨 • 생성된 영상의 stochastic variation(주근깨, 머리카락 등)으로 scale-specific control of the synthesis가 가능하게 한다. • interpolation quality and disentanglement대한 정량적 표현을 위해 새로운 두가지 제안 1. perceptual path length 2. Linear separability • 다양한 고품질의 새로운 인간 얼굴 데이터셋 소개 - FFHQ data..

파이썬 내장 json모듈 사용 JSON Python object dict array list string str number(int) int number(real) float true True false False null None python object -> json 파이썬 객체를 json데이터로 쓰고/직렬화하고/인코딩 .dumps()메소드에 indent = int형 숫자 ex) 4 옵션을 주면 들여쓰기를 해줌 sort_keys = True해주면 keys를 기준으로 정렬해 직렬화 해 내보내줌 import json json_string = json.dumps(python_data) 이렇게 하면 메모리상에 JSON포맷 데이터를 만들어놓고 파이썬에서 계속 작업할 수 있다 import json with op..

원래 autograd를 사용하기 위해 사용되던 타입. but 최신 버전에서는 deprecated 상태임을 볼 수 있었다. 현재는 Tensor 타입과 병합되어서 Tensor에서 default로 autograd 기능을 지원한다. PyTorch 0.4 이상 버전에서는 더이상 Variable을 사용할 필요가 없다.

patch 단위로 Discriminate를 한다 ? Discriminator의 구조에 따른 GAN 네트워크의 구분 PixelGAN은 1 x 1 patch에 대해 진위 여부를 확인하고, PatchGAN은 N x N 사이즈의 패치 영역에 대해 진위를 판단 ImageGAN은 일반적으로 알고 있는 VanillaGAN처럼 전체 영역에 대해 진위 여부를 판단 PatchGAN = Markovian Discriminator, Local-patch Disctiminator 전체 영역이 아닌 특정 크기 (NxN) patch단위로 generator가 만든 이미지의 진위 여부를 판단. correlation 관계가 유지되는 범위에 해당하는 적절한 크기의 patch size를 정해야 함. -> patch size는 hyper p..

Markov Random Field = 마르코프 네트워크 Bayesian Modeling 을 통해서 이미지를 분석하는데에사용되는 방법 . 한 부분의 데이터를 알기 위해 전체의 데이터를 보고 판단하는 것이 아니라, 이웃하고 있는 데이터들과의 관계를 통해서 판단 이미지 복원/텍스쳐분석/segmentation/image labeling/edge detectoin/object recognition 등에서 활용 MRF ? 1차 마르코프 연쇄 : 한 상태 -> 다른상태 변할 확률이 '현재 상태'에만 의존하는 모델1차 마르코프 가정 : 시간 n에서 어떤 사건이 관측될 확률은 시간 n-1에서의 관측 결과인 q_n-1에만 의존한다는 가정 = 바로 이전의 확률에만 의존 ==> 마르코프 모델(Markov Model) : 마..

Bayesian Model은 확률을 기반으로 어떤 문제에 대해 결론을 내리는 모델이다. Bayesian Theory를 기반으로 한다 (베이즈정리) Baysian Theory는 사전확률과 사후 확률의 관계를 나타내는 정리이다. Prior Probability (사전 확률) 추가적 정보가 주어지기 전 정보 관측자가 관측을 하기 전에 가지고 있는 확률 분포 Posterior Probability (사후 확률) 추가적 정보가 주어진 상태에서의 사전 확률. = 조건부 확률 사전 확률과 가능도가 주어졌을 때, 관측자는 관측값을 얻은 다음 베이즈 정리에 의해 사후 확률을 얻을 수 있다. ex) 사건A, 사건 B 존재 P(A) = A사건이 발생할 사전확률 B라는 사건은 존재하지만 B대한 정보가 아무것도 없음 P(A|B..