이는 직접적인 데이터 수집 노력을 넘어서는 추가 가능성이 적습니다.
현재 GAN 출력의 품질 (2017 년 기준)은 충분히 높지 않습니다. GAN에 의해 생성 된 이미지는 일반적으로 작으며 특이하고 모호한 세부 사항과 홀수 왜곡을 가질 수 있습니다. 당신이 링크 된 논문에서는 문장에서 시스템에 의해 생성 된 이미지는 문제 피사체를 주어진 색상의 믿을 수있는 블록을 가지고 있지만, 문장없이 대부분이 같은 인식 할 수 없습니다 기대하는 무엇을 프라이밍 어떤 특정 대상.
문장에서 이미지를 생성하는 것보다 야심 찬 목적을 가진 GAN (위의 비판에도 불구하고, 정말 놀라운 위업 IMO)은 사실적인 이미지에 더 가깝게 만들어야합니다. 그러나 범위가 줄어들고 원하는 이미지 유형이 포함되지 않을 수 있습니다. 또한 일반적으로 출력 크기는 64x64 또는 128x128 *로 작으며 원본의 실제 사진이 훨씬 바람직 할 정도로 왜곡과 모호성이 충분합니다.
GAN 자체는 사용 가능한 교육 라이브러리에 의해 제한됩니다. 교육 데이터 범위 밖에서 이미지를 생성하려고 시도하면 제대로 수행되지 않습니다. 물론 연구 논문에 표시된 결과는 교육 데이터에서 제공하는 도메인에 중점을 둡니다. 그러나 당신은 단지 먹이를 할 수 있는 이 모델로 문장을 유용한 곳이 될 것입니다 결과를 기대합니다.
문제에 적합한 데이터 세트에 대해 교육을받은 GAN을 찾으면 프로젝트에 동일한 데이터를 직접 제공하는 것이 좋습니다.
제한된 근거 데이터에 문제가있는 경우 GAN을 사용하는 더 나은 방법은 VGG-19 또는 Inception v5와 같은 사전 훈련 된 분류기를 사용하고 마지막으로 완전히 연결된 레이어를 교체하는 것입니다. 데이터를 조정하십시오. 다음은 Python에서 Keras 라이브러리를 사용하는 예입니다. "fine tune CNN image classifier"와 같은 검색에서 다른 예를 찾을 수 있습니다.
*이 답변을 게시 한 이후 최첨단 GAN이 향상되었습니다. 엔비디아의 한 연구팀은 1024x1024의 사실적인 이미지를 만드는 데 성공했습니다 . 그러나 이것은 내 대답의 다른 요점을 변경하지 않습니다. GAN은 이미지 분류 작업을위한 신뢰할 수있는 이미지 소스가 아닙니다. GAN이 이미 학습 한 항목의 하위 작업 일 수도 있고 조건부로 (또는 더 사소하게는 "다른"범주에 대한 소스 데이터를 제공 할 수 있음) 분류기).