Transfer Learning GAN
Transfer Learning with Generative Adversarial Networks · Ayrıca şöyle bilinir: TL-GAN, pretrained GAN, GAN fine-tuning, domain-adaptive GAN
Transfer Learning GAN, bir Üretken Çekişmeli Ağ'ı (Generative Adversarial Network - GAN) — yani hem üreticisini hem de ayırt edicisini — büyük bir kaynak veri kümesinde önceden eğitilmiş ağırlıklardan başlatıp ardından ağı daha küçük bir hedef veri kümesinde ince ayar yaparak kullanır. Bu yaklaşım, hedef alan verilerinin kıt olduğu durumlarda bile, ölçekte öğrenilen düşük ve orta seviye özellik temsillerini yeniden kullanarak yüksek kaliteli üretken modellemeye olanak tanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Hedef alanınızda sıfırdan bir GAN eğitmek için çok az etiketli veya etiketsiz örnek bulunduğunda — tipik olarak birkaç binden az görüntü — ve büyük, ilgili bir kaynak veri kümesi veya güçlü bir önceden eğitilmiş GAN kontrol noktası mevcut olduğunda Transfer Learning GAN'ı kullanın. Tıbbi görüntüleme, nadir tür fotoğrafçılığı, endüstriyel kusur sentezi ve veri toplamanın pahalı olduğu sanatsal stil üretiminde mükemmeldir. Kaynak ve hedef alanlar özellik örtüşmesi olmayan anlamsal olarak uzak olduğunda (örneğin, doğal görüntülerden moleküler grafiklere), hedef veri kümesi sıfırdan eğitim için yeterince büyük olduğunda veya yayılma modeli (diffusion model) veya VAE görevin üretken uyumu için daha iyi olduğunda kullanmayın.
Güçlü yönler & sınırlılıklar
- Sıfırdan eğitilmiş GAN'ların çökmesine neden olacak çok küçük hedef veri kümelerinden yüksek kaliteli üretim sağlar.
- Büyük önceden eğitilmiş kontrol noktalarını yeniden kullanarak işlem ve eğitim süresini önemli ölçüde azaltır.
- Esnek uyarlama derinliği: benzer alanlar için daha fazla katmanı dondurun, uzak alanlar için daha fazlasını serbest bırakın.
- Kıt verilerde aşırı uyumu önlemek için modern düzenlileştirmelerle (ADA, DiffAugment, EWC) uyumludur.
- Yaygın olarak bulunan önceden eğitilmiş üreticiler (StyleGAN2-FFHQ, BigGAN-ImageNet vb.) tarafından iyi desteklenir.
- Kaynak-hedef alan uyumsuzluğu, daha basit taban çizgilerinden daha kötü sonuçlar veren olumsuz transferlere neden olabilir.
- FID ve ilgili metrikler, hedef kümeler çok küçük olduğunda (< 1000 görüntü) güvenilmezdir, bu da nesnel değerlendirmeyi zorlaştırır.
- Önceden eğitilmiş kontrol noktası lisansları, türetilmiş üreticilerin ticari veya araştırma dağıtımını kısıtlayabilir.
- Mod kapsamı kaynak çeşitliliği ile sınırlıdır; kaynakta temsil edilmeyen nadir hedef modları ortaya çıkmayabilir.
SSS
Transferin yardımcı olması için kaynak ve hedef alanlar ne kadar benzer olmalıdır?
Transfer, düşük ve orta seviye görsel özelliklerin (doku, şekil, aydınlatma) paylaşıldığı durumlarda en faydalıdır. Doğal görüntü GAN'ları tıbbi X-ışınlarına (paylaşılan kenar istatistikleri) iyi aktarılır ancak sembolik veya grafik yapılı verilere kötü aktarılır. Kenarda tutulan bir hedef alt kümesinde ince ayarlanmış ve sıfırdan eğitilmiş modellerin FID'sini ampirik olarak karşılaştırmak en güvenli kontrol yöntemidir.
Ne kadar hedef görüntüye ihtiyacım var?
Güçlü düzenlileştirme (ADA veya DiffAugment) ile, kaynak ve hedef benzer olduğunda, birkaç yüz hedef görüntü kadar azıyla makul sonuçlar bildirilmiştir. Bu eşiğin altında, algısal kalite tipik olarak fark edilir şekilde bozulur. Pratik bir minimum, ince ayarlanmış GAN'lar için yaklaşık 100-500 iyi küratörlü görüntüdür.
Önce ayırt ediciyi mi yoksa üreticiyi mi dondurmalıyım?
Yaygın bir strateji, düşük seviyeli özellikleri (kaynağa iyi kalibre edilmiş) algılayan erken ayırt edici katmanları dondurmak ve daha yüksek katmanların uyum sağlamasına izin vermektir. Üretici için, ilk blokları dondurup orta katmanlardan itibaren ince ayar yapmak genellikle unutma ve uyarlama arasında en iyi dengeyi sağlar.
Bunu GAN'lar yerine yayılma modelleriyle kullanabilir miyim?
Evet — transfer öğrenmesi yayılma modellerine de (örneğin, DreamBooth, Stable Diffusion'ın LoRA ince ayarı) yaygın olarak uygulanır. Görüntü kalitesi ve eğitim kararlılığı, üretim hızından daha önemliyse, transfer öğrenmesi yayılma modeli, çok küçük veri kümelerinde transfer öğrenmesi GAN'ından daha iyi performans gösterebilir.
Hedef setim çok küçük olduğunda kaliteyi nasıl değerlendiririm?
FID, yaklaşık 1000 gerçek görüntünün altında istatistiksel olarak gürültülü hale gelir. Küçük örnek boyutları için yansız olan Kernel Inception Distance (KID) ve alan uzmanları tarafından nitel inceleme ile destekleyin. Değişkenliği karakterize etmek için birden fazla rastgele tohum üzerindeki sonuçları raporlayın.
Kaynaklar
- Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A. & Bengio, Y. (2014). Generative Adversarial Nets. Advances in Neural Information Processing Systems (NeurIPS), 27, 2672–2680. link ↗
- Wang, Y. & Ramanan, D. (2018). Transferring GANs: generating images from limited data. European Conference on Computer Vision (ECCV), 11205, 220–236. DOI: 10.1007/978-3-030-01231-1_14 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Transfer Learning with Generative Adversarial Networks. ScholarGate. https://scholargate.app/tr/deep-learning/transfer-learning-gan
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Alan Uyumlu GANDerin öğrenme↔ karşılaştır
- İnce Ayarlanmış Üretken Çekişmeli AğDerin öğrenme↔ karşılaştır
- Üretken Çekişmeli AğDerin öğrenme↔ karşılaştır
- Evrişimli Sinir Ağı ile Transfer ÖğrenmeDerin öğrenme↔ karşılaştır
- Difüzyon Modeli ile Transfer ÖğrenmesiDerin öğrenme↔ karşılaştır
- Varyasyonel Otomatik KodlayıcıDerin öğrenme↔ karşılaştır