Explaining StyleGAN Synthesized Swimmer Images in Low-Dimensional Space

Abstrakt

Bei vielen bestehenden KI-Methoden sind die Gründe für die Entscheidungen, die ein trainiertes Modell trifft, nicht leicht zu erklären. Dies führt oft zu einem Black-Box-Design, das nicht interpretierbar ist, was die Einführung solcher Methoden in eine sicherheitsrelevante Anwendung zu einem heiklen Thema macht. Wir betrachten generative adversarische Netzwerke, die häufig zur Generierung von Daten für die weitere Verwendung in Deep-Learning-Anwendungen verwendet werden, für die nicht viele Daten zur Verfügung stehen. Wir befassen uns insbesondere mit dem StyleGAN-Ansatz zur Erzeugung synthetischer Beobachtungen von Schwimmern. In diesem Beitrag wird eine Pipeline vorgestellt, mit der die synthetisierten Bilder nach der Projektion in einen niedrigdimensionalen Raum eindeutig erklärt werden können. Diese verstandenen Bilder können später ausgewählt werden, um ein System zur Beobachtung der Sicherheit von Schwimmern zu trainieren. Das Hauptziel unserer Arbeit ist es, eine höhere Abstraktionsebene zu erreichen, mit der man die Variation von synthetisierten Schwimmerbildern im niedrigdimensionalen Raum erklären kann. Ein Standard-Ähnlichkeitsmaß wird verwendet, um unsere Pipeline zu bewerten und eine geringe Intra-Klassen-Variation von etablierten Schwimmer-Clustern zu validieren, die ähnliche Schwimmstile in einem niedrigdimensionalen Raum repräsentieren.