DCGAN (Deep Convolutional GAN):畳み込みニューラルネットワークによる敵対的生成

引き続きGAN(敵対的生成ネットワーク)手法のお勉強。



次はGANsの発展形のDCGAN (Deep Convolutional GAN)について。
GANの例としてはオリジナルのGANよりもDCGANの方がよく紹介されているイメージ。

DCGAN (Deep Convolutional GAN)

DCGAN (Deep Convolutional GAN)ICLR 2016で発表された論文 Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networksで提案された生成モデル。
オリジナルのGANでは生成画像がぼやけていたが、DCGANではより自然な画像の生成が可能になっている。

DCGANも基本的にはオリジナルのGANの考え方に則っており、GeneratorDiscriminatorを競わせるように学習する。なので、全体の構造を概念図として表すとオリジナルのGANと同様になる↓

オリジナルのGANとの大きな違いは、GeneratorDiscriminatorそれぞれのネットワークに全結合層ではなく、畳み込み層(と転置畳み込み層)を使用している点。
そして、GANの学習が安定しない問題に対しては、Batch Normalization (バッチ正規化)の導入や、活性化関数にReLUだけでなくtanh, Leaky ReLUを使用している。


スポンサーリンク


では、Generator, Discriminatorそれぞれのネットワーク構造について詳しく見て行こう。

Generatorのネットワーク構造

Generatorのネットワークでは以下の図のように、入力となる100次元のノイズベクトルZから転置畳み込みによって徐々に64×64サイズの画像へとアップサンプリングしていく↓

全結合層やpooling層は使用しない。
この図では省略されているけど、それぞれの転置畳み込み層の後にSegNetの記事でも解説したBatch Normalizationと、活性化関数が入ります。活性化関数には基本的にReLUを使用し、最終層だけtanhを使用している。

転置畳み込み (transposed convolution)

やや余談ですが、この論文でfractional-strieded convolutionsと呼ばれているアップサンプリング処理は、基本的には以前FCNの記事で逆畳み込み(deconvolution)と呼んでいた処理と同様です。



後の様々な論文で逆畳み込みという呼び方が否定されているので、以後は転置畳み込みと呼ぶことにしましょう。
fractional-strieded convolutionsは基本的にはこの図のような処理で、strideが2でpaddingが0の処理↓

no_padding_strides_transposed

追記;転置畳み込みについてはこちらの図解がとても分かりやすい↓

Discriminatorのネットワーク構造

Discriminatorは、Generatorのアップサンプリング過程を逆にしたようなダウンサンプリング構造になる。
基本的には画像識別の畳み込みニューラルネットワークの構造をしているが、pooling層が無く、活性化関数にはReLUの代わりにLeaky ReLUを使用する。

poolingを畳み込みで代用する

通常、物体認識の畳み込みニューラルネットワークでは、max poolingで特徴マップを縮小(集約)して被写体の並進移動や形状変化をある程度吸収できるようにしている。これは、物体認識では物体の細かな特徴よりも全体を表す特徴を捉えた方が効果的なため。

一方、GANでは細かな特徴が重要となるため、poolingで細かな情報が欠落しては困る。そこで、DCGANDiscriminatorでは、poolingの代わりにstride 2の畳み込み処理を行うことで細かな特徴の欠落を防いでいる。


スポンサーリンク

Leaky ReLU活性化関数

GANの学習の不安定性に対処するため、Discriminatorの活性化関数にはReLUの代わりにLeaky ReLUが導入されている。
通常のReLUでは入力が0未満の場合に出力が0になってしまうが、Leaky ReLUは入力が0未満でも出力が0にならず、負の値を出力する。これによって学習中に勾配が0になってしまうのを防ぐことができ、誤差逆伝搬が滞りにくくなっている。(その代わり、Leaky ReLU用のハイパーパラメータが増えている)

活性化関数ごとの出力値の違いはこちらの比較図が分かりやすい↓

activation function

DCGANの学習

DCGANの目的関数や学習ステップはオリジナルのGANと同様なので割愛。


DCGANによる画像生成

論文では、ベッドルームや人の顔画像の生成結果が紹介されている。

入力ベクトルの操作による生成画像の変化

入力ベクトルを変化させることで顔を別の向きへと滑らかに補間できる↓

さらに、生成元となる入力ベクトルの演算によって、要素の足し算、引き算を行うことができる。これは自然言語処理のWord2Vecと同じ考え方。
例えば。

  • 笑った女性 – 無表情の女性 + 無表情の男性 = 笑った男性
  • メガネをかけた男性 – メガネをかけていない男性 + メガネをかけていない女性 = メガネをかけた女性

といった具合↓

ちなみに、入力ベクトルを変えると生成結果が変化する様子を体感できるデモサイトを見つけた↓
https://carpedm20.github.io/faces/

DCGANの実装

PyTorch公式で顔画像を生成するDCGANのチュートリアルがあるので、試すのは簡単。
チュートリアルのソースコードはこちら↓
https://github.com/pytorch/examples/tree/master/dcgan

オイラも試しにやってみた↓
https://github.com/NegativeMind/DCGAN-Face-Pytorch

学習過程の可視化

学習過程を可視化した動画↓

DCGAN: Deep Convolutional GAN with CelebA

例のごとく、GeneratorDiscriminatorのLossの変化だけを見ると学習が収束へ向かっているのかさっぱりわからない(笑)



次はCGAN (Conditional GAN)を勉強しよう。



スポンサーリンク

関連記事

顔画像処理技術の過去の研究
Houdiniのライセンスの種類
Unityの薄い本
iOSデバイスと接続して連携するガジェットの開発方法
全脳アーキテクチャ勉強会
OpenCVベースのコンパクトなARライブラリ『ArUco』
ベイズ推定とグラフィカルモデル
Russian3DScannerのトポロジー転送ツール『WrapX』
adskShaderSDK
ポイントクラウドコンソーシアム
WordPressのサーバ引っ越し方法を考える
OpenCV 3.1のsfmモジュールを試す
機械学習で遊ぶ
OpenCVベースの背景差分ライブラリ『BGSLibrary』
TensorFlowでCGを微分できる『TensorFlow Graphics』
AnacondaとTensorFlowをインストールしてVisual Studio 2015で使う
3D復元技術の情報リンク集
Two Minute Papers:最新の研究論文を数分間で紹介するYouTubeチャンネル
オープンソースの顔の動作解析ツールキット『OpenFace』
iPhone・iPod touchで動作する知育ロボット『ROMO』
疑似3D写真が撮れるiPhoneアプリ『Seene』がアップデートでついにフル3Dモデルが撮影できる...
3Dボリュームデータ処理ライブラリ『OpenVDB』
SSII 2014 デモンストレーションセッションのダイジェスト動画
Adobeの手振れ補正機能『ワープスタビライザー』の秘密
機械学習に役立つPythonライブラリ一覧
3Dスキャンに基づくプロシージャルフェイシャルアニメーション
C++ 標準テンプレートライブラリ (STL)
Kinect for Windows v2の日本価格決定
Mask R-CNN:ディープラーニングによる一般物体検出・Instance Segmentatio...
Fast R-CNN:ディープラーニングによる一般物体検出手法
Javaで作られたオープンソースの3DCGレンダラ『Sunflow』
OpenCV 3.1とopencv_contribモジュールをVisual Studio 2015で...
Deep Learningとその他の機械学習手法の性能比較
OpenCVで顔のモーフィングを実装する
iOSデバイスのためのフィジカル・コンピューティングツールキット『konashi(こなし)』
スクラッチで既存のキャラクターを立体化したい
OpenCV
FacebookがDeep learningツールの一部をオープンソース化
MythTV:Linuxでテレビの視聴・録画ができるオープンソースプロジェクト
WordPressプラグインの作り方
Konashiを買った
Web経由でRaspberry PiのGPIOを操作したい

コメント