根据颜色自动生成标识的LoGAN模型
标识设计是一个费时费力的过程。而最近生成式模型领域进展飞速，这就让人好奇ai可不可以用来设计标识？生成对抗网络（gan）据说能够学习模拟任何数据分布，已经取得了广泛的应用，但目前很少有人研究如何用gan来设计标识。年底召开的icmla 2018上有一篇论文，马斯特里赫特大学的ajkel mino和gerasimos spanakis，提出了根据颜色自动生成标识的logan模型，可以说是这一方向上的初步探索。
logan架构
gan
在介绍logan架构之前，先温习下gan网络。
gan由生成器和判别器两个神经网络组成，以对抗的形式同时训练。
gan是出名的难训练，饱受训练不稳定、无法收敛、模式崩塌之苦。近年来有不少研究都试图改进gan的训练过程，例如在gan中引入深度卷积层（dcgan），修改目标函数（lsgan和wgan）。
条件gan
如前所述，logan是根据颜色自动生成标识，换句话说，是以颜色为条件。能够基于标签数据生成特定分类的图像的gan架构，主要有两种：
cgan，生成器和判别器都额外接受一个类别标签数据。
ac-gan，判别器不仅需要识别图像的真伪，还需要判断图像的类别（不论真伪）。
gan、cgan、ac-gan架构对比
logan即基于ac-gan改造得到。
ac-wgan-gp
在ac-gan架构中（参见上图），判别器同时优化真伪误差和类别误差：
不过，考虑到wgan-gp更稳定，所以logan用wgan-gp的损失函数替换了ac-gan的损失函数：
但是这就造成了一个问题，类别损失没有了。所以，logan在ac-gan的基础上额外增加了一个分类器q，辅助判别器进行分类。也就是说，和ac-gan不同，logan由三个网络组成：生成器g、判别器d、分类器q。
经过改造的ac-gan
分类器q的损失函数定义如下：
为了避免训练不稳和模式崩塌，logan的训练借鉴了一些最新研究成果，采取了以下措施：
判别器每迭代5次，分别迭代一次生成器和分类器。
z取样自高斯分布。
应用了批归一化。
试验
数据集
logan基于lld-icons数据集训练，该数据集包含486377张32×32像素的图标。
使用了k均值聚类（k = 3）从图像中提取主要色彩，然后分为黑、蓝、棕等12类：
训练
下为判别器、生成器、分类器的训练损失图像。
从图中我们可以看到，判别器和生成器的损失图像有下降趋势，没有收敛。不过这并不意味着训练有问题，因为wgan和wgan-gp都不保证收敛。另一方面，分类器收敛至接近1的损失值。实际上，生成图像的分类损失收敛至零，这意味着生成图像都能被正确分类。
结果
400个epoch的训练后，每个分类生成了64个标识：
由于是在32×32像素的图标上训练的，所以生成的标识有点模糊。生成的标识大多为圆形或方形，但也有不规则形状，如心形和x形。
各个分类主要颜色的准确率、召回、f1数据如下表所示：
有些分类的评分偏低，这是因为很多图标周围使用白色作为背景，同理，灰色作为中性色，也有很多图标使用。
各分类主要颜色分布
改进方向
尽管取得了很有潜力的结果，logan目前还是有不少限制：
对抗生成网络的常见问题，生成的标识很模糊。使用分辨率更高的训练图像应该能缓解这一问题。
仅仅使用颜色作为关键词局限性太大。未来考虑加入形状、公司的重心等其他关键词。
联想thinkplus是什么牌子？智能高效的办公选择
低温放大器的发展趋势
自动驾驶有什么新的发展
拥有PC功能和PLC可靠性的新兴PAC
芯英科技研发“伏羲”芯片,能耗仅为进口芯片的10%
根据颜色自动生成标识的LoGAN模型
MIPI接口的用途广泛，它的优点都有哪些
电阻应变计传感器是一种电阻传感器
iphone15上市的时间 iphone15参数配置
3D数模的CMM曲面检测技术
智慧农业物联网对农业发展的贡献都有哪些
机器视觉应用的优势体现
openharmony与鸿蒙区别
孩子学习不用功？可能是双眼的原因，裸眼3D技术可破解
3D打印会改变电池制造吗
哪个牌子的蓝牙耳机好，降噪效果好的蓝牙耳机推荐
企业展厅智能滑轨屏的解决方案说明
都2022年了，什么时候才能实现“模组自由”？
印刷电路(PCB)板抄板信号隔离技术应用广泛
AMD50周年纪念版锐龙7 2700评测 性价比无敌
logan架构
gan
在介绍logan架构之前，先温习下gan网络。
gan由生成器和判别器两个神经网络组成，以对抗的形式同时训练。
gan是出名的难训练，饱受训练不稳定、无法收敛、模式崩塌之苦。近年来有不少研究都试图改进gan的训练过程，例如在gan中引入深度卷积层（dcgan），修改目标函数（lsgan和wgan）。
条件gan
如前所述，logan是根据颜色自动生成标识，换句话说，是以颜色为条件。能够基于标签数据生成特定分类的图像的gan架构，主要有两种：
cgan，生成器和判别器都额外接受一个类别标签数据。
ac-gan，判别器不仅需要识别图像的真伪，还需要判断图像的类别（不论真伪）。
gan、cgan、ac-gan架构对比
logan即基于ac-gan改造得到。
ac-wgan-gp
在ac-gan架构中（参见上图），判别器同时优化真伪误差和类别误差：
不过，考虑到wgan-gp更稳定，所以logan用wgan-gp的损失函数替换了ac-gan的损失函数：
但是这就造成了一个问题，类别损失没有了。所以，logan在ac-gan的基础上额外增加了一个分类器q，辅助判别器进行分类。也就是说，和ac-gan不同，logan由三个网络组成：生成器g、判别器d、分类器q。
经过改造的ac-gan
分类器q的损失函数定义如下：
为了避免训练不稳和模式崩塌，logan的训练借鉴了一些最新研究成果，采取了以下措施：
判别器每迭代5次，分别迭代一次生成器和分类器。
z取样自高斯分布。
应用了批归一化。
试验
数据集
logan基于lld-icons数据集训练，该数据集包含486377张32×32像素的图标。
使用了k均值聚类（k = 3）从图像中提取主要色彩，然后分为黑、蓝、棕等12类：
训练
下为判别器、生成器、分类器的训练损失图像。
从图中我们可以看到，判别器和生成器的损失图像有下降趋势，没有收敛。不过这并不意味着训练有问题，因为wgan和wgan-gp都不保证收敛。另一方面，分类器收敛至接近1的损失值。实际上，生成图像的分类损失收敛至零，这意味着生成图像都能被正确分类。
结果
400个epoch的训练后，每个分类生成了64个标识：
由于是在32×32像素的图标上训练的，所以生成的标识有点模糊。生成的标识大多为圆形或方形，但也有不规则形状，如心形和x形。
各个分类主要颜色的准确率、召回、f1数据如下表所示：
有些分类的评分偏低，这是因为很多图标周围使用白色作为背景，同理，灰色作为中性色，也有很多图标使用。
各分类主要颜色分布
改进方向
尽管取得了很有潜力的结果，logan目前还是有不少限制：
对抗生成网络的常见问题，生成的标识很模糊。使用分辨率更高的训练图像应该能缓解这一问题。
仅仅使用颜色作为关键词局限性太大。未来考虑加入形状、公司的重心等其他关键词。
联想thinkplus是什么牌子？智能高效的办公选择
低温放大器的发展趋势
自动驾驶有什么新的发展
拥有PC功能和PLC可靠性的新兴PAC
芯英科技研发“伏羲”芯片,能耗仅为进口芯片的10%
根据颜色自动生成标识的LoGAN模型
MIPI接口的用途广泛，它的优点都有哪些
电阻应变计传感器是一种电阻传感器
iphone15上市的时间 iphone15参数配置
3D数模的CMM曲面检测技术
智慧农业物联网对农业发展的贡献都有哪些
机器视觉应用的优势体现
openharmony与鸿蒙区别
孩子学习不用功？可能是双眼的原因，裸眼3D技术可破解
3D打印会改变电池制造吗
哪个牌子的蓝牙耳机好，降噪效果好的蓝牙耳机推荐
企业展厅智能滑轨屏的解决方案说明
都2022年了，什么时候才能实现“模组自由”？
印刷电路(PCB)板抄板信号隔离技术应用广泛
AMD50周年纪念版锐龙7 2700评测 性价比无敌