訂閱
糾錯
加入自媒體
當(dāng)前位置： OFweek 人工智能網(wǎng)   >   其他   >  正文

OpenAI提出Image GPT實現(xiàn)高質(zhì)量圖像補(bǔ)全和樣本生成

GPT在自然語言處理上取得了有目共睹的成就，包括BERT，RoBERTa，T5等眾多無監(jiān)督或自監(jiān)督學(xué)習(xí)方法輪番登場拿下了一個又一個語言高地。自然語言處理高歌猛進(jìn)的同時圖像領(lǐng)域不甘心了，也在躍躍欲試想要利用類似的模型學(xué)習(xí)出可以用于分類任務(wù)的有效特征來。

Transformer家族的模型基本上可以直接處理任何形式的1D數(shù)據(jù)，于是研究人員就想到將2D圖像拉伸為長長的1D圖像序列，利用與GPT－2模型類似的技術(shù)構(gòu)建了用于處理像素序列的iGPT模型。

在詳細(xì)的實驗分析后研究人員發(fā)現(xiàn)，模型顯現(xiàn)出對于2D圖像特征的理解能力，包括有效的個體和類別的理解。模型可以在沒有人工指導(dǎo)情況下生成連續(xù)的圖像樣本，實現(xiàn)圖像補(bǔ)全，同時可以在多個分類數(shù)據(jù)集上實現(xiàn)先進(jìn)的分類性能，并在ImageNet實現(xiàn)了非常接近最優(yōu)秀無監(jiān)督方法精度水平。這證明了這類生成序列模型可以作為通用的無監(jiān)督學(xué)習(xí)算法。

在使用GPT－2類似的架構(gòu)時，雖然需要更多的計算來達(dá)到基于卷積的非監(jiān)督學(xué)習(xí)水平，然而這種方法在面對全新領(lǐng)域時，大型的GPT－2模型無需針對特定領(lǐng)域架構(gòu)進(jìn)行設(shè)計就可以學(xué)習(xí)出非常有效的特征和優(yōu)異的性能。

下面讓我先來看看iGPT應(yīng)用于圖像補(bǔ)全和樣本生成任務(wù)下的一些結(jié)果，下圖中紅色框是原始圖像，藍(lán)色框中是模型補(bǔ)全的結(jié)果�？梢钥吹侥Ｐ秃芎玫幕謴�(fù)出了另一半缺失的圖像，并在不同的生成結(jié)果中添加了各種語義特征的對象。

1  2  3  4  下一頁>  
聲明： 本文由入駐維科號的作者撰寫，觀點僅代表作者本人，不代表OFweek立場。如有侵權(quán)或其他問題，請聯(lián)系舉報。

發(fā)表評論

共0條評論，0人參與

請輸入評論內(nèi)容...

請輸入評論/評論長度6~500個字

您提交的評論過于頻繁，請輸入驗證碼繼續(xù)

暫無評論

暫無評論

    掃碼關(guān)注公眾號
    OFweek人工智能網(wǎng)
    獲取更多精彩內(nèi)容
    文章糾錯
    x
    *文字標(biāo)題：
    *糾錯內(nèi)容：
    聯(lián)系郵箱：
    *驗 證 碼：

    粵公網(wǎng)安備 44030502002758號