AI 影像辨識生成開發應用實戰班

到底什麼是GAN？主要可以應用在哪些地方？

GAN也被稱為生成式對抗網路，英文是Generative Adversarial Network。GAN由兩個網路構成，分別是鑑別網路（Discriminating Network）與生成網路（Generative Network），透過兩者相互對抗產生結果是其深度學習的運作原理。可以想像成，GAN是一場鑑定師與仿畫家的較勁，仿畫家會不斷畫出偽作讓鑑定師評斷有多接近真品，仿畫家根據評斷結果再繼續畫出比上一張更好的偽作，鑑定師當然也會透過不斷練習提升鑑定水準，最後的成果就是一幅幾可亂真的生成圖像畫。然而，GAN應用開發常見遇到的問題是「Mode collapse」，即生成器只生成有限種類的影像而失去多樣性，究竟，為了解決問題與實際應用，該如何不斷訓練改進GAN生成模型，而持續推動影像生成與辨識應用的效果提升？就成為一大關鍵。

極暗影像還原的技術關鍵

如何掌握文字偵測和文字識別的技術，以提高低照度影像中文字的可讀性？其中技術關鍵包含：「文字偵測」是指從極暗影像中準確地檢測和定位文字區域的能力，例如自動車駕駛系統中的交通標誌識別，或是夜間監控中的識別行為，學習文字偵測技術可以幫助我們改善在低照度條件下的文字辨識能力，從而提升極暗影像的可讀性。其次，「文字識別」是指將檢測到的文字區域轉化為可識別的文字信息，在極暗影像還原中，文字識別技術能夠從低亮度、低對比度的影像中準確識別出文字，這對於解析低照度環境下的文字資訊非常重要，例如在夜間拍攝的照片中識別出地址或標籤等。但是，當夜間影像模糊的情境下，影像細節與訊號解讀往往會被限制，如何克服夜間偵測的條件，增強影像明亮度與還原細節，就成為極暗影像還原的關鍵技術，對於有無一套完整的量化指標做為評估判斷，就需要更加深入機器學習演算的運作方法。

GAN實務應用？如何做出自己的GAN架構？

目前GAN較多被應用在生成資料方面，如圖像與影音的生成、合成、辨識、修復等，進階則是輸入文本描述便能生成與形容相符的圖像，或者透過語言模型實現機器翻譯等。另外也可以生成更擬真的合成圖，降低標示訓練圖像識別樣本的成本，例如運用GAN將白天的街景轉為夜晚，作為自動駕駛車輛的訓練樣本，解決夜晚圖像資料不足的問題。又或者例如應用在車用器材的瑕疵檢測，過往的瑕疵檢測十分耗費人力與工時，如何訓練深度學習的模型協助工作並減少人力耗費？對於工程師或開發影像辨識的企業主而言，如何更好應對不同影像之間的轉換需求，生成品質良好的資料，就是技術學習開發實用的核心關鍵。