E-COM-NET
首页
在线工具
Layui镜像站
SUI文档
联系我们
推荐频道
Java
PHP
C++
C
C#
Python
Ruby
go语言
Scala
Servlet
Vue
MySQL
NoSQL
Redis
CSS
Oracle
SQL Server
DB2
HBase
Http
HTML5
Spring
Ajax
Jquery
JavaScript
Json
XML
NodeJs
mybatis
Hibernate
算法
设计模式
shell
数据结构
大数据
JS
消息中间件
正则表达式
Tomcat
SQL
Nginx
Shiro
Maven
Linux
Generative
CVPR2017:Photo-Realistic Single Image Super-Resolution Using a
Generative
Adversarial Network
Photo-RealisticSingleImageSuper-ResolutionUsingaGenerativeAdversarialNetwork摘要论文主体实现代码DatasetModelSRGAN实现结果摘要Despitethebreakthroughsinaccuracyandspeedofsingleimagesuper-resolutionusingfasteranddeeperc
n.nothing
·
2020-11-22 15:21
Papers
神经网络
pytorch
深度学习
机器学习
人工智能
成功解决OSError: Unable to open file (truncated file: eof = 40960, sblock->base_addr = 0, stored_eof = 1
使用FGSM的对抗示例,在训练对抗样本时(https://tensorflow.google.cn/tutorials/
generative
/adversarial_fgsm),遇到以下问题pretrained_model
清风思月
·
2020-09-17 04:59
AI/ML/DL
Python
3D GAN:Learning a Probabilistic Latent Space of Object Shapes via 3D
Generative
-Adversarial Modeling
论文地址一.Abstract1.提出了一个新的框架,即3D生成对抗网络(3D-gan),它利用体卷积网络和生成对抗网络的最新进展,从概率空间生成三维对象.2.首先,使用对抗准则代替传统的启发式准则,使生成器能够隐式地捕获对象结构,并同步大小相同的高质量3D对象.3.生成器G建立了一个从低维概率空间到三维对象空间的映射,使我们可以在没有参考图像或CAD模型的情况下对对象进行采样,并探索三维对象流形.
761527200
·
2020-09-16 08:39
ICCV 2019 best paper(SinGAN:Learning a
Generative
Model from a Single Natural Image)
本文提出了一种可以从单个自然图像中学习无条件生成模型SinGAN,模型用于捕捉图像内部块的信息,可以产生高质量并且多样性的图像。SinGAN包含一个金字塔全卷积的GANs,每个GAN负责学习图像不同尺度的块分布。可以生成具有可变性的任意大小和纵横比的新样本,仍然可以保持训练图像的全局结构和细节。文中的方法不仅仅限制于纹理图像,并且是无条件的。1InstructionGAN在高维数据分布的建模方面取
qq_33326349
·
2020-09-16 03:35
discriminate、
generative
、conditional
generative
模型
discriminate、
generative
、conditionalgenerative模型discriminatemodel:输入图片x和labely,学习概率。
zjjszj
·
2020-09-15 11:44
generative
model
机器学习
人工智能
机器学习“判定模型”和“生成模型”有什么区别?
2019独角兽企业重金招聘Python工程师标准>>>维基百科上
Generative
条目里面有个经典的案例:假设有四个samples:生成式模型的世界是这个样子:而判定式模型的世界是这个样子:也就是说:
weixin_34194317
·
2020-09-15 06:35
生成对抗网络(
Generative
Adversarial Networks,GAN)初探
1.从纳什均衡(Nashequilibrium)说起我们先来看看纳什均衡的经济学定义:所谓纳什均衡,指的是参与人的这样一种策略组合,在该策略组合上,任何参与人单独改变策略都不会得到好处。换句话说,如果在一个策略组合上,当所有其他人都不改变策略时,没有人会改变自己的策略,则该策略组合就是一个纳什均衡。B站上有一个关于”海滩2个兄弟卖雪糕“形成纳什均衡的视频,讲的很生动。不管系统中的双方一开始处于什么
顽石⚡
·
2020-09-15 01:04
SAGAN(Self-Attention
Generative
Adversarial Networks)论文解读附自己的理解
Self-AttentionGenerativeAdversarialNetworksTensorFlow代码:https://github.com/taki0112/Self-Attention-GAN-TensorflowPytorch代码(作者源码):https://github.com/heykeetae/Self-Attention-GAN看论文之前看了两篇比较好的文章:https://
Amberrr-L
·
2020-09-14 23:38
ML/DL学习
GAN
论文解读
DL/ML
GAN
SAGAN
外表互换:联合判别和生成学习用于REID:Joint Discriminative and
Generative
Learning for Person Re-identification
https://zhuanlan.zhihu.com/p/66408913market1501:mAp86,rank1861出处2019NVIDIA/悉尼科技大学郑哲东2key,图像分成两个空间space,一个appearance为颜色、纹理等;另一个是structure空间,bodyparts3key:N副图做NN配对交换appearance和structure生成NN张图再进行end2end学
AIchiNiurou
·
2020-09-14 08:01
#
可以
【论文笔记】Joint Discriminative and
Generative
Learning for Person Re-identification
笔记目录摘要1.简介2.相关工作3.方法3.1生成器模块3.2判别模块3.3优化4.实验4.1实验实现细节4.2生成评估4.3判别评估5.结论论文部分英文解释论文翻译参考JointDiscriminativeandGenerativeLearningforPersonRe-identificationarXiv:1904.07223v2[cs.CV]22May2019行人重识别的联合判别与生成学习
Supremebeast3_
·
2020-09-14 08:43
AI&ML
计算机视觉
DG-Net
有监督
Re-ID
2019 CVPR(oral)之ReID:Joint Discriminative and
Generative
Learning for Person Re-identification
JointDiscriminativeandGenerativeLearningforPersonRe-identification这篇文章的思路和2017NIPS之GAN(imagetransfer):UnsupervisedImage-to-ImageTranslationNetworks思路相近,甚至源码都是相近的。本文源码:https://github.com/NVlabs/DG-Net1
matlabLKL
·
2020-09-14 07:03
单模态
ReID
GAN
深度学习
人工智能
计算机视觉
Joint Discriminative and
Generative
Learning for Person Re-identification论文翻译
摘要:由于不同摄像机内部的重大变化,行人识别(re-id)仍然具有挑战性。最近,人们越来越关注使用生成模型来增强训练数据并增强输入变化的不变性。然而,现有方法中的生成数据流程与辨别性re-id学习阶段保持相对分离。因此,re-id模型通常以直接的方式利用生成的数据训练。在本文中,我们通过更好地利用生成的数据来寻求改进学习的re-id特征。为此,我们提出了一个联合学习框架,它将re-id学习和数据生
不甘现状的咸鱼却没办法
·
2020-09-14 07:26
Person
Re-ID
Joint Discriminative and
Generative
Learning for Person Re-identification
研究问题现有的方法中,将GAN应用到行人重识别任务中时,大多数都是将生成与检测相分离开,没有融合到一起来进行实验,本文设计了一种联合学习框架将行人重识别学习与数据生成端到端的结合在一起。从行人重识别模型提取好的行人特征可以作为GAN的input,而GAN生成图像可以用来finetune行人重识别模型。在介绍本文的框架之前,先介绍一下作者提出的外观编码与结构编码。在作者提出的模型中涉及一个生成模块,
展希希鸿
·
2020-09-14 07:59
行人重识别
Joint Discriminative and
Generative
Learning for Person Re-identification 论文翻译
JointDiscriminativeandGenerativeLearningforPersonRe-identification概要介绍相关工作方法生成模块自我身份生成(self-identitygeneration)交叉身份生成(cross-identitygeneration)讨论(Discussion)识别模块(DiscriminativeModule)基本特征挖掘细粒度特征挖掘讨论优化实
thomaswu1992
·
2020-09-14 05:30
翻译
Domain Adaptation 与
Generative
Adversarial Network
域自适应与生成对抗网络1、《Unsuperviseddomainadaptationbybackpropagation》pytorch代码:https://github.com/fungtion/DANN文章:http://sites.skoltech.ru/compvision/projects/grl/files/paper.pdf扩展版文章:Domain-AdversarialTrainin
Tsingzao
·
2020-09-13 04:38
Pytorch
ML
python
BEGAN: Boundary Equilibrium
Generative
Adversarial Networks阅读笔记
BEGAN:BoundaryEquilibriumGenerativeAdversarialNetworks阅读笔记摘要我们提出了一种新的用于促成训练时生成器和判别器实现均衡(Equilibrium)的方法,以及一个配套的loss,这个loss由Wassersteindistance衍生而来,Wassersteindistance则是训练基于自编码器的生成对抗网络(GAN)使用的。此外,这种新的方
我是白小纯
·
2020-09-13 00:18
GAN
Ultra-Resolving Face Images by Discriminative
Generative
Networks人脸超分辨率生成
Ultra-ResolvingFaceImagesbyDiscriminativeGenerativeNetworks论文地址:https://pdfs.semanticscholar.org/d6f1/42f5ddcb027e7b346eb20703abbf5cc4e883.pdf本文无公开代码(没有找到),仅供参考其思想摘要:常规的人脸超分辨率方法,也称为人脸幻想,facehallucinat
俭任G
·
2020-09-12 21:28
超分辨率
论文笔记
图像处理
超分辨率重建技术
[论文复现]Unsupervised
Generative
Attentional Networks with Adaptive Layer-Instance Normalizatiton
前言趁着暑假还有足够多的时间,参加了百度飞桨的论文复现营,10篇论文之中选择了这篇论文。论文题目:U-GAT-IT:UnsupervisedGenerativeAttentionalNetworkswithAdaptiveLayer-InstanceNormalizationforImage-to-ImageTranslation论文链接不得不说,有机会体验8卡的V100有点小期待,百度这次挺大气
Costwen
·
2020-09-12 18:46
GAN
人工智能
深度学习
对于GAN的描述
Generative
Adversarial Network(生成对抗网络)
流程:一个随机噪声经过生成器generator产生假的图片,且输入到判别器discriminator欺骗判别器生成器希望自己生成的图像骗过判别器,判别器不断增强自己分辨真伪的能力,这两者能力不断对抗,分别不断增强能力,直到最后判别器无法判别生成器产生的图像内容,则达到目的,网络拟合。特别的就是网络中有一个generator和一个discriminator总的大的网络结构中包含两个小的网络结构随机噪
ziqingnian
·
2020-09-11 23:37
深度学习
机器学习
深度学习
GAN人脸修复--
Generative
Face Completion
GenerativeFaceCompletionCVPR2017https://arxiv.org/abs/1704.05838Code:https://github.com/Yijunmaverick/GenerativeFaceCompletion首先来直观的认识一下人脸修复是什么?输入一个有缺失的人脸图像,得到完整的人脸图像本文算法训练流程图如下:主要由三个模块构成:Generator,Di
O天涯海阁O
·
2020-09-11 23:20
CVPR2017
理解GAN的原理
理解GAN的原理
Generative
生成Adversarial对抗Nets网络是新深度学习的一项技术,通过下面的一张图片,来解释下这种技术的原理。
luztxp
·
2020-09-11 22:52
深度学习
GAN与自动编码器:深度生成模型的比较
原文:https://towardsdatascience.com/gans-vs-autoencoders-comparison-of-deep-
generative
-models-985cf15936ea
0XIX0
·
2020-09-11 21:53
深度学习
CPGAN: Full-Spectrum Content-Parsing
Generative
Adversarial Networks for Text-to-Image Synthesis
text2image相比单一的图像生成任务来说,其目标不仅是生成与目标分布一致的图像,而且还要使得生成的图像符合输入描述,也就是说相比单纯的图像生成任务来说,text2image是一个可以通过输入控制输出的任务。本文建立在大家已经对这个领域有了充分了解的基础上介绍最近一篇基于GAN的生成方法CPGAN,这篇论文采用全阶段解析的方式生成符合文本描述的图像,其基本架构如下:其中的全阶段解析包含三个方面
chaozhd
·
2020-09-11 21:35
text2image
计算机视觉
图像识别
论文阅读:《Time Series
Generative
Adversrial Networks》(TimeGAN,时间序列GAN)
这篇时间序列GAN的论文下载了好久了,但是由于过于复杂,没怎么仔细研读。最近为了进行和自己的GAN对比,找到了他的codebase准备再仔细读一下,跑一下代码。《TimeSeriesGenerativeAdversrialNetworks》作者:JinsungYoonUniversityofCalifornia,LosAngeles,USAjsyoon0823文章目录摘要Introduction自
weberyoung
·
2020-09-10 16:43
时间序列
GAN
CS231N-13-
Generative
Models
GenerativemodelsPixelRNNCNNVAEVariationalAutoencodersAutoencodersVAE变分自动解码器GAN生成对抗网络2017.12.3更新VAElossfunction————————————————————————————————深度学习给机器学习带来的变革,不仅是supervisedlearning监督学习,最近两年将烽火指向无监督学习uns
Victor的草原
·
2020-09-10 12:52
Computer
Vision
自监督学习综述 | Self-supervised Learning:
Generative
or Contrastive
作者:XiaoLiu,FanjinZhang,ZhenyuHou,LiMian,ZhaoyuWang,JingZhang,JieTangSelf-supervisedLearning:GenerativeorContrastive摘要在过去的十年中,深度监督学习取得了巨大的成功。但是,由于它对手动标签的依赖和容易受到攻击的缺点,促使人们寻求更好的解决方案。作为替代,自监督学习(SSL)在过去几年中
小软同学
·
2020-09-05 11:37
【翻译】StarGAN: Unified
Generative
Adversarial Networks for Multi-Domain Image-to-Image Translation
摘要最近的研究表明了两个领域内图像到图像转换取得了显著的成功。然而,现有的方法处理两个以上的领域时在可伸缩性和鲁棒性上有局限,因为每对图像域都要构建不同的模型。为了解决这个局限,我们推出starGAN,一种新颖的、可扩展的方法,它可以仅使用一个模型对多个域执行图像到图像的转换。StarGAN的这种统一模型架构可以仅在一个网络中国训练多个数据集的多个领域。这使starGAN与现有模型相比,转换图片的
桃木————
·
2020-08-26 23:04
python
神经网络
在TensorFlow中对比两大生成模型:VAE与GAN(附测试代码)
项目链接:https://github.com/kvmanohar22/
Generative
-Models变分自编码器(VAE)与生成对抗网络(GAN)是复杂分布上无监督学习最具前景的两类方法。
数据派THU
·
2020-08-25 01:22
GRASS:
Generative
Recursive Autoencoders for Shape Structures
这篇论文的工作是,将模型用一组具有层级结构的长方体来表述,且这种层级结构模型,可以通过rvnn来编码为一串隐向量特征,这样就能进行模型混合啦。最后还能把层级结构模型复原为连续的模型。整个方法是三步走的,首先是一个基于RVNN的auto-encoder,这一步的主要工作其实是找出合理的层级结构,也顺便进行了预训练。然后是RVNN-GAN,这一步的主要目的是让整个特征空间都能复原出合理的模型。最后就是
莫谷莫谷
·
2020-08-25 01:07
三维生成
从《西部世界》到GAIL(
Generative
Adversarial Imitation Learning)算法
原文链接:https://blog.csdn.net/jinzhuojun/article/details/85220327一、背景看过美剧《西部世界》肯定对里边的真实性(fidelity)测试有印象。William对其岳父JamesDelos,Delores对Alnold的复制体Bernard,Emily对其父亲William都做过这样的测试。其中有些测试方和被测试方都是机器人。永生一直是很多科
ariesjzj
·
2020-08-25 00:19
AI
GAIL
强化学习
TRPO
Reinforcement
learning
GAN
《A Deep
Generative
Framework for Paraphrase Generation》-- 总结
一、研究背景1.应用复述生成可以应用很很多场景,像机器翻译、生成摘要等等都涉及到复述生成;而且复述生成还可以扩充语料,更好的进行训练;不仅如此,还可以应用于智能对话等场景,eg:用户的提问方式不可能都是符合预期设定的同种方式,此时就需要判断用户提问的与系统设定的哪种问题是一样的,这也涉及复述生成...总结来说:复述生成的应用场景有:问答,信息检索,信息提取,系统对话...2.现有工作既然复述生成这
修改资料-昵称
·
2020-08-24 04:58
Paraphrase
Generation
人工智能
《A Deep
Generative
Framework for Paraphrase Generation》论文笔记--相关工作、实验
一、相关工作:(Quirk,Brockett,andDolan2004)applySMTtools,trainedonlargevolumesofsentencepairsfromnewsarticles.(Zhaoetal.2008)proposedamodelthatusesmultipleresourcestoimproveSMTbasedparaphrasing,paraphrasetab
修改资料-昵称
·
2020-08-24 04:57
Paraphrase
Generation
深度学习
人工智能
NTT Masque: 多风格生成式阅读理解(Multi-Style
Generative
Reading Comprehension)
文章目录问题形式化提出的模型问句-段落阅读器(Question-PassagesReader)词向量层共享编码层双重注意力建模编码层段落排序(PassageRanker)可问答分类器(AnswerPossibilityClassifier)答案句解码器(AnswerSentenceDecoder)词向量层注意力解码器层多源指针生成器损失函数附录:实验数据【Reference】1.Multi-Sty
十里清风
·
2020-08-24 02:38
自然语言处理
深度学习
深度学习
nlp
重识别之DG-Net:Joint Discriminative and
Generative
Learning for Person Re-identification
一、资源1、PaperLink:(1)https://arxiv.org/abs/1904.072232、code:(1)https://github.com/layumi/Person_reID_baseline_pytorch(2)https://github.com/NVlabs/DG-Net3、视频:(1)哔哩哔哩:https://www.bilibili.com/video/av5143
coplin
·
2020-08-22 16:51
论文精解
重识别专题
论文阅读:
Generative
Adversarial Nets
引言这篇论文是生成对抗(GAN)网络的奠基之作,它提出了一种全新生成的思想,时至今日都是深度学习中热门的一种模型。它的作者是IanJ.Goodfellow,JeanPouget-Abadie*,MehdiMirza,BingXu,DavidWarde-Farley,SherjilOzair,AaronCourville,YoshuaBengio基本原理GAN网络其实就是两个网络之间的博弈游戏,即网
MatthewY
·
2020-08-22 14:21
神经网络
深度学习
论文
Generative
model & discriminative model
转一篇有用的文章,看了那么多blog上的介绍,还是这篇解释的最清楚:GenerativeModel与DiscriminativeModel【摘要】-生成模型(GenerativeModel):无穷样本==》概率密度模型=产生模型==》预测-判别模型(DiscriminativeModel):有限样本==》判别函数=预测模型==》预测【简介】简单的说,假设o是观察值,q是模型。如果对P(o|q)建模
huan0181
·
2020-08-22 12:57
如何用简单易懂的例子解释条件随机场(CRF)模型?它和HMM有什么区别?·
目录一、Preface二、Prerequisite2.1概率图2.1.1概览2.1.2有向图vs.无向图2.1.3马尔科夫假设&马尔科夫性2.2判别式(discriminative)模型vs.生成式(
generative
Terry_dong
·
2020-08-22 11:13
Wasserstein GANs 三部曲(一):Towards Principled Methods for Training
Generative
Adversarial Networks的理解
论文地址:https://arxiv.org/abs/1701.04862这一篇文章相当于一个引言,运用了许多推导与证明说明了生成对抗网路存在的一系列问题,然后引入了一个新的评价标准。虽然公式推导是比较乏味的,也可以参阅知乎上的这篇文章https://zhuanlan.zhihu.com/p/25071913,比较简单直观。当时我在学习的时候有部分也借鉴了这篇文章,以下是我的理解:第一部分GAN存
大白兔兔92
·
2020-08-22 04:18
GAN系列笔记
《
Generative
Adversarial Nets》论文解析
GAN是最近几年来很有名的算法,起源于这篇论文,我们今天来看看究竟是怎么一回事吧。我也不想叽里呱啦讲一大堆,想看论文翻译版的直接复制粘贴谷歌翻译就行了。我只介绍大致思想。GAN其实目标就是生成能以假乱真的图片,于是这里有两个子网络,生成网络(generativemodel)和判别网络(discriminativemodel),分别称为G和D。D的目标就是尽力分辨出哪个图片是真实数据哪个是生成的,而
超屌的温jay
·
2020-08-22 04:06
深度学习
必读的关于GAN的论文
IMPROVING
GENERATIVE
ADVERSARIAL NETWORKS WITH DENOISING FEATURE MATCHING(Bingio-ICLR2017)
IMPROVINGGENERATIVEADVERSARIALNETWORKSWITHDENOISINGFEATUREMATCHING(Bingio-ICLR2017)通过消噪特征匹配改进生成式对抗网络摘要:我们提出了一种针对生成对抗网络的增强训练程序,旨在通过将生成器引导至抽象鉴别器特征的可能配置来解决原始缺陷。我们使用降噪自动编码器估算并跟踪从数据计算出的这些特征的分布,并使用它为生成器提出高级
晴空未来me
·
2020-08-22 04:43
GAN
[论文笔记]Photo-Realistic Single Image Super-Resolution Using a
Generative
Adversarial Network
[论文笔记]Photo-RealisticSingleImageSuper-ResolutionUsingaGenerativeAdversarialNetwork图像质量评价指标之PSNR和SSIM链接 传统的方法一般处理的是较小的放大倍数,当图像的放大倍数在4以上时,很容易使得到的结果显得过于平滑,而缺少一些细节上的真实感。这是因为传统的方法使用的代价函数一般是最小均方差(MSE),即:lM
xinzi2018
·
2020-08-22 04:23
Generative
Adversarial Networks(GAN)对抗网络学习资源汇总
Core:(VanillaGAN)论文1:GenerativeAdversarialNets文章地址:http://papers.nips.cc/paper/5423-
generative
-adversarial-nets.pdf
缠禅可禅
·
2020-08-22 03:02
算法结果展示
机器学习原理讲解与代码实现
深度学习
强化学习
算法论文阅读
歌声合成从入门到实战
正文:对抗神经网络(
Generative
Adversarial Nets-GAN)
看了Goodfellow的论文(GenerativeAdversarialNets),找了很多相关资料,想整理一下,包括论文的大概梳理,以及后面的代码实现讲解等。总的来讲这篇论文还是很有意义的,不像一些没有实际意义的模型,这个模型现在很多人在讨论不说,而且是真的有研究价值。它提出的一种架构可能会在今后改进神经网络方面做出很大突破。下面是整篇论文的梳理--借鉴了很多网上其他人写的博客,也有一些自己的
MiracleJQ
·
2020-08-22 03:19
StarGAN(2018): Unified
Generative
Adversarial Networks for Multi-Domain Image-to-Image Translation
StarGAN:UnifiedGenerativeAdversarialNetworksforMulti-DomainImage-to-ImageTranslation简述:现有的方法在两个以上的领域中具有有限的可扩展性和鲁棒性,因为不同的模型应该为每一对图像域独立地建立。为了解决这一限制,本文提出了StarGAN,可以仅使用一个模型在多个域中执行图像到图像的转换。stargan的这种统一的模型体
matlabLKL
·
2020-08-22 02:39
GAN
【论文阅读】Unsupervised Image Super-Resolution using Cycle-in-Cycle
Generative
Adversarial Networks
文章地址:https://arxiv.org/abs/1809.00437v1非官方复现代码:https://github.com/Junshk/CinCGAN-pytorch1.论文背景目前的图像超分辨率的输入大多是由Bicubicdownsample得到的,而在现实场景中,downsapmle操作的核是未知的且通常还会伴随着一些noise、blurry,除此之外,LR所对应的HRlabel一般
Lucky__lin996
·
2020-08-22 02:56
超分辨率
Interpretable Representation Learning by Information Maximizing
Generative
Adversarial Net(小白学GAN 八)
原文链接:https://arxiv.org/pdf/1606.03657.pdf简介背景:从ConditionalGAN在输入中加上标签来控制数据生成数据的类别到DeepConventionalGAN发现输入的随机噪声可以控制生成数据的形态,我们已经可以十分肯定,输入的随机噪声可以决定生成的数据,但是它是如何决定的?我们又该如何利用这个原理呢?核心思想:将输入生成器的向量分为两部分:一为随机噪声
fan1102958151
·
2020-08-22 01:36
小白学GAN
对抗生成网络
Generative
Adversarial Networks
1.Basicidea基本任务:要得到一个generator,能够模拟想要的数据分布。(一个低维向量到一个高维向量的映射)discriminator就像是一个scorefunction。如果想让generator生成想要的目标数据,就把这些真实数据作为discriminator的输入,discriminator的另一部分输入就是generator生成的数据。1.初始化generator和discr
albyc22660
·
2020-08-22 01:49
生成对抗网络GAN系列(二)--- Conditional
Generative
Adversarial Nets(cGAN 条件GAN)--- 文末附代码
生成对抗网络GAN系列(二)---ConditionalGenerativeAdversarialNets(cGAN条件GAN)---文末附代码ConditionalGenerativeAdversarialNets论文链接:https://arxiv.org/abs/1411.17841.简介ConditionalGAN是在原始GAN之后一个比较早的改进版,虽然改动确实很简单,但是idea还是非
Teeyohuang
·
2020-08-22 01:31
论文笔记:
Generative
Adversarial Nets
论文地址:https://arxiv.org/abs/1406.2661GAN,顾名思义,生成对抗网络。网络由两部分组成,generativemodelG和discriminativemodelD,整个网络的主要功能就是通过不断迭代,使得G网络的生成数据分布趋近于真实数据分布,最终达到D网络的判别概率趋近1/2。由上式可以看出,G和D的训练其实就是关于函数V(D,G)的极小极大化问题。其中,D(x
Rookie@
·
2020-08-22 00:16
阅读小结:InfoGAN:Interpretable Representation Learning by Information Maximising
Generative
Adversarial
之前GAN中都没有加入分类信息,都是耍流氓啊。用原始maxD的时候,G学到的容易收敛到一个固定图像。而用featurematching的话,相同向量可能每次match的都不同,这怎么regression啊,摔(也可能我是用姿势不对,但有多类的featurematching不靠谱啊)What:1.通常GAN把一个随机噪声向量z生成为一张图像。z可能从一个0到1的随机采样构成。2.这样连累了GAN中的
Layumi1993
·
2020-08-22 00:42
论文阅读
上一页
10
11
12
13
14
15
16
17
下一页
按字母分类:
A
B
C
D
E
F
G
H
I
J
K
L
M
N
O
P
Q
R
S
T
U
V
W
X
Y
Z
其他