CNN經典論文導讀(四)--自編碼器(Autoencoder)後篇

2023 iThome 鐵人賽

DAY 21

AI & Data

15th鐵人賽

752 瀏覽

昨天我們聊到了非監督式學習，也提到可以利用Autoencoder來提取出低維度的特徵，概念上很簡單，可是視應用情況不同，Autoencoder可以有很多變形，今天我們會介紹最常見的三種！

正如我們昨天介紹的一樣，Autoencoder最基礎的架構就是上圖最上面所示，通過反覆學習「高維度特徵到低維度特徵」的過程(編碼器的任兩層之間都是這種關係：高維度->低維度)，最終就可以根據我們的設定，將一張輸入影像壓縮到指定大小的低維度特徵。具體的架構上我們可以看到一對「編碼器(Encoder)」與「解碼器(Decoder)」。
看到這裡有人會納悶說，為甚麼要用編碼跟解碼來形容這樣的過程，這是因為在傳統的訊號處理領域中，編碼指的是將訊號轉換為另一格式的動作，轉換的目的可以有很多種，舉凡為了速度、為了保密又或者是為了壓縮，我們會因為各式各樣的目的將訊號轉換成某種特定的格式，這個過程跟我們透過Autoencoder在做的事情簡直一模一樣，又或者可以說本該如此，畢竟Autoencoder一開始就是為了訊號處理的目的誕生的，只是我們現在在介紹的時候將範圍縮小在CNN與影像處理上而已。
這邊需要強調的是，Autoencoder是個概念，只要是這樣結構的模型我們都可以稱做是Autoencoder，不管中間我們是利用CNN實現，或是利用MLP實現都可以。

Autoencoder中有個非常經典的應用：去除噪音，這個噪音不是我們一般生活中形容別人很吵的噪音，而是訊號處理當中的噪音，舉例來說，如果一張圖片有浮水印在上面的話，這個浮水印就可以被視為是某種噪音。如果是對影像處理有些概念的人可能還會聯想到另一個例子：模糊的圖片或是有噪點的圖片，這兩者都是一般正常影像上加上特定噪音所產生的結果。
有時候我們會因為設備或環境因素，沒辦法取得很好的圖片，這時候如果想要得到一張正常的圖片的話，就要經過「降噪(Denoising)」處理，傳統上有很多演算法專門在處理這樣的問題，隨著機器學習/深度學習技術的發展，也讓許多人嘗試讓模型來幫我們處理噪音，Autoencoder就是一種方式。
從上圖我們可以看到DAE的架構與一般AE沒有太大的區別，最主要的差異在於輸入影像的不同，一般的AE輸入的圖片就是我們希望模型生成的圖片，而DAE的輸入圖片則會是一般圖片隨機加上某種特定的噪音，這樣的目的在於透過對資料的擾動，讓模型可以學到抗干擾的能力，如此一來就算我今天輸入的圖片是帶有噪音的圖片，模型也要能還原出一張正常的圖片。

與一般的AE不同，VAE在結構上有很大的變化，目的在於讓模型更具有彈性。一般的AE架構中，我們會將每一張圖片壓縮成低維度特徵，接著再從這樣的特徵還原成一張輸出圖片，現在問題來了，如果我輸入的圖片跟訓練實用的圖片有很大的差異的話，那麼我是不是很難得到正確的輸出圖片？
就好比讓我們查字典一樣，老師只告訴我們要學習字典當中第1、11、21、31頁的內容，而今天考試的時候出現的單字卻是來自於第15頁的，這個時候如果要我們利用這個單字造句，我們應該很難寫出漂亮的句子吧！
VAE為了處理這樣的問題，它不再單純學習固定的低維度特徵，而是學習「特徵的分布」，這樣我們就可以從一個分布中抽樣出很多種不同的低維度特徵。
這個部分將較於上面的內容來說稍微複雜一點，我們會把更詳細的內容補充在番外篇，如果沒有特別需要使用到這種架構的話，只需要知道AE也有這種變形、和一般的AE差在哪裡就可以了。