Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Visualisierung von Vergangenheit Kapitel lesen Erstes Kapitel lesen

2020 | OriginalPaper | Buchkapitel

8. Generative Adversarial Networks: Verschiedene Varianten und Anwendungen aus der Praxis

verfasst von : Marco Pleines

Erschienen in: Interaktive Datenvisualisierung in Wissenschaft und Unternehmenspraxis

Verlag: Springer Fachmedien Wiesbaden

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Zusammenfassung

Generative Adversarial Networks (GANs) – zu Deutsch erzeugende gegensätzliche Netzwerke – umfassen eine Methodik des maschinellen Lernens (insb. Deep Learning) zur Generierung von synthetischen Daten, wie bspw. Bilder von Personen, 3D-Modelle oder Musik. Das Lernen wird mittels eines „Minimax-Spiels“ umgesetzt. Hierbei streben zwei Komponenten, ein Diskriminator und ein Generator, danach sich stets zu übertreffen und dadurch immer bessere synthetische Informationen erzeugen. Dieses Kapitel beschreibt die grundlegenden Ideen und Herausforderungen bezüglich GANs und stellt die Kernideen wichtiger Varianten, unter anderem CycleGAN, StyleGAN und SAGAN, vor. Im Anschluss werden ausgewählte praktische Anwendungen vorgestellt. Das Kapitel endet mit einem Ausblick.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Digitalisierung und Visualisierung zur Umsetzung agiler Steuerungsmechanismen in Instandhaltungsprozessen
Nächstes Kapitel Interaktive Visualisierung im Machine Learning Workflow
Literatur
1.
Volz, V., Schrum, J., Liu, J., Lucas, S.M., Smith, A.M., Risi, S.: Evolving mario levels in the latent space of a deep convolutional generative adversarial network. In: Proceedings of the Genetic and Evolutionary Computation Conference, GECCO 2018, Kyoto, Japan, July 15–19, S. 221–228 (2018)
2.
Giacomello, E., Lanzi, P.L., Loiacono, D.: DOOM level generation using generative adversarial networks. In: IEEE Games, Entertainment, Media Conference, GEM 2018, Galway, Ireland, August 15–17, S. 316–323 (2018)
3.
Torrado, R.R., Khalifa, A., Green, M.C., Justesen, N., Risi, S., Togelius, J.: Bootstrapping conditional gans for video game level generation. CoRR, abs/1910.01603 (2019)
4.
Bergmann, U., Jetchev, N., Vollgraf, R.: Learning texture manifolds with the periodic spatial GAN. In: Proceedings of the 34th International Conference on Machine Learning, ICML 2017, Sydney, NSW, Australia, 6–11 August 2017, S. 469–477 (2017)
5.
Spick, R.J., Cowling, P., Walker, J.A.: Procedural generation using spatial gans for region-specific learning of elevation data. In: IEEE Conference on Games, CoG 2019, London, United Kingdom, 20–23 August, S. 1–8 (2019)
6.
Pleines, M., Zimmer, F., Indetzki, J., Fritzsche, F., Kahl, T.: Reinforcement Learning auf dem Weg in die Industrie 2019 (Im Druck)
7.
De Fauw, J., Ledsam, J. R., Romera-Paredes, B., Nikolov, S., Tomasev, N., Blackwell, S., Askham, H., Glorot, X., O’Donoghue, B., Visentin, D., van den Driessche, G., Lakshminarayanan, B., Meyer, C., Mackinder, F., Bouton, S., Ayoub, K., Chopra, R., King, D., Karthikesalingam, A., Hughes, C.O., Raine, R., Hughes, J., Sim, D.A., Egan, C, Tufail, A., Montgomery, H., Hassabis, D., Rees, G., Back, T., Khaw, P.T., Suleyman, M., Cornebise, J., Keane, P.A., Ronneberger, O.: Clinically applicable deep learning for diagnosis and referral in retinal disease. Nature Medicine, 24(9), 1342–1350 (2018)
8.
Zhang, S., Yao, L., Sun, A., Tay. Y.: Deep learning based recommender system: A survey and new perspectives. ACM Comput. Surv., 52(1), 5–38 (2019)
9.
Mnih, V., Kavukcuoglu, K., Silver, D., Rusu, A.A., Veness, J., Bellemare, M.G., Graves, A., Riedmiller, M.A., Fidjeland, A., Ostrovski, G., Petersen, S., Beattie, C., Sadik, A., Antonoglou, I., King, H., Kumaran, D., Wierstra, D., Legg, S., Hassabis, D.: Human-level control through deep reinforcement learning. Nature 518(7540), 529–533 (2015)CrossRef
10.
Oussidi, A., Elhassouny, A.: Deep generative models: Survey. In: 2018 International Conference on Intelligent Systems and Computer Vision (ISCV), S. 1–8, April (2018)
11.
Goodfellow, I., Bengio, Y., Courville, A.: Deep learning. Das umfassende Handbuch, Grundlagen, aktuelle Verfahren und Algorithmen, neue Forschungsansätze. mitp Professional, mitp (2018)
12.
Dumoulin, V., Visin, F.: A guide to convolution arithmetic for deep learning. CoRR, abs/1603.07285 (2016)
13.
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., Bengio, Y.: Generative adversarial nets. In: Ghahramani, Z., Welling, M., Cortes, C., Lawrence, N.D., Weinberger, K.Q. (Hrsg.) Advances in Neural Information Processing Systems 27, S. 2672–2680. Curran Associates, Inc. (2014)
14.
Wang, Z., She, Q., Ward, T.E.: Generative adversarial networks: A survey and taxonomy. CoRR, abs/1906.01529 (2019)
15.
Mirza, M., Osindero, S.: Conditional generative adversarial nets. CoRR, abs/1411.1784 (2014)
16.
Radford, A., Metz, L., Chintala, S.: Unsupervised representation learning with deep convolutional generative adversarial networks. In: 4th International Conference on Learning Representations, ICLR 2016, San Juan, Puerto Rico, 2–4 May, Conference Track Proceedings (2016)
17.
Ledig, C., Theis, L., Huszar, F., Caballero, J., Cunningham, A., Acosta, A., Aitken, A.P.., Tejani, A., Totz, J., Wang, Z., Shi, W.: Photo-realistic single image super-resolution using a generative adversarial network. In: 2017 IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2017, Honolulu, HI, USA, 21–26 July, S. 105–114 (2017)
18.
He, K., Zhang, X., Ren, S., Sun, J.: Deep residual learning for image recognition. In: 2016 IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2016 Las Vegas, NV, USA, 27–30 June, S. 770–778 (2016)
19.
Wang, X., Yu, K., Wu, S., Gu, J., Liu, Y., Dong, C., Qiao, Y., Loy, C.C.: ESRGAN: Enhanced super-resolution generative adversarial networks. In: Computer Vision – ECCV 2018 Workshops – Munich, Germany, 8–14 September, 2018, Proceedings, Part V, S. 63–79 (2018)
20.
Isola, P., Zhu, J.-Y., Zhou, T., Efros, A.A.: Image-to-image translation with conditional adversarial networks. In: 2017 IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2017, Honolulu, HI, USA, 21–26 July, 2017, S. 5967–5976 (2017)
21.
Zhu, J.-Y., Park, T., Isola, P., Efros, A.A.: Unpaired image-to-image translation using cycle-consistent adversarial networks. In: IEEE International Conference on Computer Vision, ICCV 2017, Venice, Italy, 22–29 October, S. 2242–2251 (2017)
22.
Karras, T., Aila, T., Laine, S., Lehtinen, J.: Progressive growing of gans for improved quality, stability, and variation. In: 6th International Conference on Learning Representations, ICLR 2018, Vancouver, BC, Canada, April 30–May 3, Conference Track Proceedings (2018)
23.
Karras, T., Laine, S., Aila, T.: A style-based generator architecture for generative adversarial networks. In: IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2019, Long Beach, CA, USA, 16–20 June, S. 4401–4410 (2019)
24.
Zhang, H., Goodfellow, I.J., Metaxas, D.N., Odena, A.: Self-attention generative adversarial networks. In: Proceedings of the 36th International Conference on Machine Learning, ICML 2019, 9–15 June, Long Beach, California, USA, S. 7354–7363 (2019)
25.
Kim, Y.,Denton, C., Hoang, L., Rush, A.M.: Structured attention networks. In: 5th International Conference on Learning Representations, ICLR 2017, Toulon, France, 24–26 April, Conference Track Proceedings (2017)
26.
27.
Brock, A., Donahue, J., Simonyan, K.: Large scale GAN training for high fidelity natural image synthesis. In: 7th International Conference on Learning Representations, ICLR 2019, New Orleans, LA, USA, 6–9 May (2019)
28.
van den Oord, A., Kalchbrenner, N., Espeholt, L., Kavukcuoglu, K., Vinyals, O., Graves, A.: Conditional image generation with pixelcnn decoders. In: Advances in Neural Information Processing Systems 29: Annual Conference on Neural Information Processing Systems 2016, 5–10 December, Barcelona, Spain, S. 4790–4798 (2016)
29.
van den Oord, A., Dieleman, S., Zen, H., Simonyan, K., Vinyals, O., Graves, A., Kalchbrenner, N., Senior, A.W., Kavukcuoglu, K.: Wavenet: A generative model for raw audio. In: The 9th ISCA Speech Synthesis Workshop, Sunnyvale, CA, USA, 13–15 September, S. 125 (2016)
30.
Jin, Y., Zhang, J., Li, M., Tian, Y., Zhu, H., Fang, Z.: Towards the automatic anime characters creation with generative adversarial networks. CoRR, abs/1708.05509 (2017)
31.
32.
33.
34.
35.
36.
37.
Pathak, D., Krähenbühl, P., Donahue, J., Darrell, T., Efros, A.: Context encoders: Feature learning by inpainting. In: Computer Vision and Pattern Recognition (CVPR) (2016)
38.
Ma, L., Jia, X., Sun, Q., Schiele, B., Tuytelaars, T., Van Gool, L.: Pose guided person image generation. In: Advances in Neural Information Processing Systems 30: Annual Conference on Neural Information Processing Systems 2017, 4–9 December, Long Beach, CA, USA, S. 406–416 (2017)
39.
40.
Wu, J., Zhang, C., Xue, T., Freeman, B., Tenenbaum, J.: Learning a probabilistic latent space of object shapes via 3d generative-adversarial modeling. In: Advances in Neural Information Processing Systems 29: Annual Conference on Neural Information Processing Systems, 5–10 December, Barcelona, Spain, S. 82–90 (2016)
41.
Gadelha, M., Maji, S., Wang, R.: 3d shape induction from 2d views of multiple objects. In: 2017 International Conference on 3D Vision, 3DV 2017, Qingdao, China, 10–12 October, S. 402–411 (2017)
42.
43.
Li, C.-L., Zaheer, M., Zhang, Y., Póczos, B., Salakhutdinov, R.: Point cloud GAN. In: Deep Generative Models for Highly Structured Data, ICLR 2019 Workshop, New Orleans, Louisiana, United States, 6 May (2019)
44.
van Amersfoort, J.R., Shi, W., Acosta, A., Massa, F., Totz, J., Wang, Z., Caballero, J.: Frame interpolation with multi-scale deep loss functions and generative adversarial networks. CoRR, abs/1711.06045 (2017)
45.
Liang, X., Lee, L., Dai, W., Xing, E.P.: Dual motion GAN for future-flow embedded video prediction. In: IEEE International Conference on Computer Vision, ICCV 2017, Venice, Italy, 22–29 October, S. 1762–1770 (2017)
46.
Dong, H.-W., Hsiao, W.-Y., Yang, L.-C., Yang, Y.-H.: Musegan: Multi-track sequential generative adversarial networks for symbolic music generation and accompaniment. In: Proceedings of the Thirty-Second AAAI Conference on Artificial Intelligence, (AAAI–18), the 30th innovative Applications of Artificial Intelligence (IAAI–18), and the 8th AAAI Symposium on Educational Advances in Artificial Intelligence (EAAI–18), New Orleans, Louisiana, USA, 2–7 February, S. 34–41 (2018)
47.
Engel, J., Krishna Agrawal, K., Chen, S., Gulrajani, I., Donahue, C., Roberts, A. GANSynth: Adversarial neural audio synthesis. In International Conference on Learning Representations (2019)
48.
49.
Summerville, A., Snodgrass, S., Guzdial, M., Holmgärd, C., Hoover, A., Isaksen, A., Nealen, A., Togelius, J.: Procedural content generation via machine learning (PCGML). IEEE Trans. Games 10(3), 257–270 (2018)CrossRef
50.
Metadaten
Titel
Generative Adversarial Networks: Verschiedene Varianten und Anwendungen aus der Praxis
verfasst von
Marco Pleines
Copyright-Jahr
2020
Buch
Interaktive Datenvisualisierung in Wissenschaft und Unternehmenspraxis

Print ISBN: 978-3-658-29561-5

Electronic ISBN: 978-3-658-29562-2

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-3-658-29562-2_8