{"id":2337,"date":"2022-10-05T11:40:32","date_gmt":"2022-10-05T14:40:32","guid":{"rendered":"https:\/\/pixforce.ai\/?p=2337"},"modified":"2023-09-02T21:03:32","modified_gmt":"2023-09-03T00:03:32","slug":"o-que-sao-gans","status":"publish","type":"post","link":"https:\/\/pixforce.com\/pt-br\/o-que-sao-gans\/","title":{"rendered":"O que s\u00e3o GANs e como funcionam essas redes?"},"content":{"rendered":"<p>As <strong>Redes Generativas Advers\u00e1rias,<\/strong> popularmente conhecida como GANs, \u00e9 uma t\u00e9cnica de aprendizado de m\u00e1quina n\u00e3o supervisionada e de aprendizado profundo, proposta no ano de 2014 por meio de um trabalho de pesquisa acad\u00eamico. Trata-se de uma abordagem para modelagem generativa usando m\u00e9todos de aprendizado profundo, como redes neurais convolucionais.<\/p>\n<p>Se voc\u00ea quer saber <strong>o que s\u00e3o redes GAN<\/strong> e como elas s\u00e3o usadas na produ\u00e7\u00e3o de imagens, se liga neste conte\u00fado!<\/p>\n<p><strong>LEIA TAMB\u00c9M:<\/strong><\/p>\n<ul>\n<li><a href=\"https:\/\/pixforce.com\/o-que-e-aerofotogrametria\/\" target=\"_blank\" rel=\"noopener\"><strong>O que \u00e9 aerofotogametria?<\/strong><\/a><\/li>\n<li><a href=\"https:\/\/pixforce.com\/o-que-e-processamento-digital-de-imagens\/\" target=\"_blank\" rel=\"noopener\"><strong>O que \u00e9 processamento de imagens?<\/strong><\/a><\/li>\n<li><a href=\"https:\/\/pixforce.com\/industria-4-0-no-brasil\/\" target=\"_blank\" rel=\"noopener\"><strong>Ind\u00fastria 4.0 no Brasil: conhe\u00e7a mais!<\/strong><\/a><\/li>\n<\/ul>\n<h2>Como funciona e o que s\u00e3o GAN Network?<\/h2>\n<p>A modelagem generativa \u00e9 uma tarefa de aprendizado n\u00e3o supervisionado em aprendizado de m\u00e1quina que envolve, basicamente, descobrir e aprender automaticamente as regularidades ou padr\u00f5es nos dados de entrada.<\/p>\n<p>Isso acontece de tal forma que o modelo possa ser utilizado para gerar ou produzir novos exemplos que plausivelmente poderiam ter sido extra\u00eddos do conjunto de dados original.<\/p>\n<p>Por exemplo, se voc\u00ea alimentar o tipo certo de <strong>rede neural<\/strong> com uma grande cole\u00e7\u00e3o de imagens e disser quais mostram cachorros e quais n\u00e3o, ela pode eventualmente aprender a discriminar por conta pr\u00f3pria quais novas imagens n\u00e3o rotuladas s\u00e3o gatos e quais n\u00e3o s\u00e3o.<\/p>\n<p><strong>Uma rede GAN<\/strong> pode ser pensada como um par de redes neurais concorrentes: um gerador G e um discriminador D. O gerador recebe como entrada um ru\u00eddo aleat\u00f3rio amostrado de alguma distribui\u00e7\u00e3o e tenta, desse modo, gerar novos dados destinados a se assemelhar com dados reais. A rede discriminadora tenta discernir dados reais de dados gerados.<\/p>\n<p>\u00c0 medida em que a rede discriminadora melhora sua capacidade de classificar corretamente os dados, os metadados s\u00e3o enviados de volta (ou \u201crepropagados\u201d) \u00e0 rede geradora para ajud\u00e1-la a fazer um trabalho melhor ao tentar enganar a rede discriminadora.<\/p>\n<p>O pioneiro do aprendizado profundo e diretor de Intelig\u00eancia Artificial do Facebook, Yann Lecun, chegou a afirmar que os GANs Networks foram \u201ca ideia mais legal em aprendizado profundo nos \u00faltimos 20 anos\u201d.<\/p>\n<p>Alguns pesquisadores de universidades e corpora\u00e7\u00f5es pelo mundo afora passaram a criar varia\u00e7\u00f5es de GANs que executam novas classes de tarefas. Por exemplo, GANs condicionais fornecem informa\u00e7\u00f5es adicionais para um gerador e seu parceiro discriminador, impondo condi\u00e7\u00f5es \u00e0 imagem gerada.<\/p>\n<p>Nos exemplos a seguir fornecidos em um paper escrito por pesquisadores do Berkeley AI Research Laboratory, o gerador criou uma vers\u00e3o colorida de uma imagem existente e uma vis\u00e3o noturna de uma imagem diurna:<\/p>\n<p><img fetchpriority=\"high\" decoding=\"async\" class=\"aligncenter size-full wp-image-2339\" src=\"https:\/\/pixforce.com\/wp-content\/uploads\/2022\/10\/O-que-sao-GANs-e-como-funcionam-essas-redes-01.jpg\" alt=\"O que s\u00e3o GANs e como funcionam essas redes?\" width=\"441\" height=\"262\" \/><\/p>\n<p><a href=\"https:\/\/arxiv.org\/pdf\/1611.07004v1.pdf\" target=\"_blank\" rel=\"noopener\">Fonte<\/a><\/p>\n<p>Alguns dos mesmos pesquisadores de Berkeley tamb\u00e9m desenvolveram uma tecnologia chamada <strong>Cycle GANs,<\/strong> no qual as tais imagens geradas podem acontecer em ambas as dire\u00e7\u00f5es \u2013 por exemplo, converter uma imagem de cavalo para parecer uma zebra e vice-versa, confira abaixo:<\/p>\n<p><img decoding=\"async\" class=\"aligncenter size-medium wp-image-2342\" src=\"https:\/\/pixforce.com\/wp-content\/uploads\/2022\/10\/O-que-sao-GANs-e-como-funcionam-essas-redes-02-520x480.jpg\" alt=\"O que s\u00e3o GANs e como funcionam essas redes?\" width=\"520\" height=\"480\" srcset=\"https:\/\/pixforce.com\/wp-content\/uploads\/2022\/10\/O-que-sao-GANs-e-como-funcionam-essas-redes-02-520x480.jpg 520w, https:\/\/pixforce.com\/wp-content\/uploads\/2022\/10\/O-que-sao-GANs-e-como-funcionam-essas-redes-02.jpg 522w\" sizes=\"(max-width: 520px) 100vw, 520px\" \/><\/p>\n<p><a href=\"https:\/\/junyanz.github.io\/CycleGAN\/\" target=\"_blank\" rel=\"noopener\">Fonte<\/a><\/p>\n<h2>GANs Network em projetos da Pix Force<\/h2>\n<p>Nossos researchers da <a href=\"http:\/\/pixforce.com.br\/\" target=\"_blank\" rel=\"noopener\">Pix Force<\/a> vem explorando v\u00e1rias maneiras de aplicar GANs para nossos clientes. Eis abaixo algumas delas:<\/p>\n<ul>\n<li>Maneiras de utilizar GAN\u2019s de ciclo condicional para o mapeamento entre imagens visuais e imagens infravermelhas<\/li>\n<li>Melhoria consider\u00e1vel da resolu\u00e7\u00e3o de imagens a\u00e9reas<\/li>\n<li>Rotula\u00e7\u00e3o de texto com tags sem\u00e2nticas<\/li>\n<li>Gera\u00e7\u00e3o de texto pertencente a categorias sem\u00e2nticas espec\u00edficas<\/li>\n<\/ul>\n<p>As duas \u00faltimas categorias s\u00e3o especialmente interessantes porque a maioria das discuss\u00f5es sobre GAN\u2019s gira em torno da gera\u00e7\u00e3o de imagens, mas essas t\u00e9cnicas tamb\u00e9m podem ser aplicadas a outros tipos de dados. As redes GANs oferecem muitas possibilidades interessantes! Entre em <a href=\"http:\/\/pixforce.com.br\/\" target=\"_blank\" rel=\"noopener\">contato<\/a> com a gente!<\/p>\n","protected":false},"excerpt":{"rendered":"<p>As Redes Generativas Advers\u00e1rias, popularmente conhecida como GANs, \u00e9 uma t\u00e9cnica de aprendizado de m\u00e1quina n\u00e3o supervisionada e de aprendizado profundo, proposta no ano de 2014 por meio de um trabalho de pesquisa acad\u00eamico. Trata-se de uma abordagem para modelagem generativa usando m\u00e9todos de aprendizado profundo, como redes neurais convolucionais. Se voc\u00ea quer saber o [&hellip;]<\/p>\n","protected":false},"author":29,"featured_media":0,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"content-type":"","_external_link":"","footnotes":""},"categories":[1],"tags":[],"class_list":["post-2337","post","type-post","status-publish","format-standard","hentry","category-noticias"],"_links":{"self":[{"href":"https:\/\/pixforce.com\/pt-br\/wp-json\/wp\/v2\/posts\/2337","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/pixforce.com\/pt-br\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/pixforce.com\/pt-br\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/pixforce.com\/pt-br\/wp-json\/wp\/v2\/users\/29"}],"replies":[{"embeddable":true,"href":"https:\/\/pixforce.com\/pt-br\/wp-json\/wp\/v2\/comments?post=2337"}],"version-history":[{"count":0,"href":"https:\/\/pixforce.com\/pt-br\/wp-json\/wp\/v2\/posts\/2337\/revisions"}],"wp:attachment":[{"href":"https:\/\/pixforce.com\/pt-br\/wp-json\/wp\/v2\/media?parent=2337"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/pixforce.com\/pt-br\/wp-json\/wp\/v2\/categories?post=2337"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/pixforce.com\/pt-br\/wp-json\/wp\/v2\/tags?post=2337"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}