我目前正在研究神经网络,或者更具体地说是图像分类。当我阅读时,我想知道以下是否已经完成/是否可行。如果有人可以向我指出一些来源或想法,我将不胜感激!
在传统的神经网络中,您有一个图像训练数据集和网络中神经元的权重。目标是优化权重,以便图像的分类对于训练数据是准确的,并且新图像尽可能好。
我想知道你是否可以扭转这一点:给定一个神经网络及其神经元的权重,生成一组与网络分离的类相对应的图像,即这个特定网络能够处理的图像类型的原型分类好。
在我看来,它的工作原理如下(我确信这不太可能实现,但只是为了让这个想法得到理解):想象一个神经网络,它能够对包含标签 cat、dog 的图像进行分类,但都不包含这些标签。我想要的是“逆”,即猫的图像,狗的图像和与其他两个类别“最远”的图像。我认为这可以通过生成图像并最小化一个特定类的损失函数来完成,同时最大化所有其他类的损失函数。
谷歌 Deep Dream 是如何将它“梦想”的东西形象化的吗?
我希望我的意思很清楚,如果不是,我会回答任何问题。