Нажмите выше"Машинное обучение и генеративно-состязательные сети, следуй за звездой

Получите удовольствие, удовольствие, передовые галантерейные товары!

1. Направленная GAN: новая стратегия кондиционирования для генеративных сетей

• Изображения являются одной из основных форм маркетинговых кампаний, веб-сайтов и баннеров. Это может потребовать от дизайнеров потратить много времени на создание такого профессионального контента. Предлагается простая и новая стратегия кондиционирования для создания изображений с заданными семантическими атрибутами с помощью генератора, обученного для задачи создания безусловного изображения.
• Метод основан на модификации скрытого вектора для обработки как дискретных (двухклассовых, мультиклассовых), так и непрерывных атрибутов изображения с использованием векторов ориентации соответствующих семантических атрибутов в скрытом пространстве.

2. Генераторы изображений с условно независимым синтезом пикселей

• Существующие сети генераторов обычно полагаются на пространственную свертку или модули внутреннего внимания, а затем постепенно синтезируют изображения от грубого к точному.
• В этой статье предлагается новая архитектура генератора, в которой значение цвета каждого пикселя вычисляется независимо от значения случайного латентного вектора и координат этого пикселя и не требует пространственной свертки или подобных операций, распространяющих информацию по пикселям во время синтеза.

3. Эффективные преобразования функций для дискриминационного и генеративного непрерывного обучения

• С ростом использования нейронных сетей на практике крайне важно решать такие проблемы, как различия в распределении данных, смещения и последовательное обучение задачам без «забывания». Изучение новых задач за счет увеличения емкости модели при избежании катастрофического забывания может быть дорогостоящим в вычислительном отношении.
• Мы предлагаем стратегию преобразования карты функций, основанную на непрерывном обучении, которая обеспечивает большую гибкость для изучения новых задач, чего можно достичь путем добавления минимальных параметров в инфраструктуру.

4. Нарезанная потеря Вассерштейна для синтеза нейронной текстуры

• В передаче стиля или GAN хорошо оптимизированная сеть (такая как VGG-19) часто используется для задач классификации и распознавания целей, а активация ее функций используется для получения статистических данных для расчета потери текстуры; основная математическая проблема заключается в измерении пространство признаков Расстояние между двумя распределениями. Потеря грамм-матрицы является общим приближением для этой проблемы, но имеет некоторые недостатки.
• Эта статья продвигает Sliced ​​Wasserstein Distance, который прост в реализации и имеет лучший эффект.

5. Регуляция генеративно-состязательных сетей в условиях ограниченных данных

• Модели GAN основаны на большом количестве обучающих данных, и в этой работе предлагается метод регуляризации для обучения надежных моделей GAN на ограниченных данных. Теоретически демонстрирует связь между потерями регуляризации и f-дивергенцией, называемой дивергенцией ЛеКама, которая более надежна при ограниченных обучающих данных.GitHub.com/Google/ проведите пальцем…

6. Обучение генеративно-состязательных сетей за один этап

• Генеративно-состязательные сети (GAN) имеют утомительный процесс обучения, когда генератор и дискриминатор обновляются попеременно. В этой статье изучается эффективное обучение GAN только в один этап.
• Основываясь на состязательной потере генератора и дискриминатора, GAN делятся на две категории: симметричный GAN и асимметричный GAN, и для их объединения вводится новый метод градиентной декомпозиции, способный обучать оба класса на одном этапе, чтобы уменьшить сложность обучения.

7. GAN с задним продвижением и дискриминатором распределения для неконтролируемого синтеза изображений

• Исследователи этой статьи считают, что должно быть достаточно информации о реальном распределении данных в генераторе, что является ключевым моментом способности генерации GAN. Но в настоящее время в GAN и их вариантах этого нет, что делает процесс обучения хрупким.

• В этой статье предлагается новый вариант GAN, GAN с апостериорным продвижением (P2GAN), в котором для усиления генератора используется информация о достоверности из апостериорного распределения, созданного дискриминатором. В отличие от других вариантов GAN, дискриминатор сопоставляет изображение с многомерным распределением Гаусса и извлекает основную истину; генератор использует основную истину и скрытый код после AdaIN. Экспериментальные результаты показывают, что P2GAN достигает результатов, сопоставимых с современными вариантами GAN в неконтролируемом синтезе изображений.

Думаю, вам понравится:

Жду, когда ты приземлишься! [Генеративно-состязательная сеть GAN] Планета знаний!\

**CVPR 2021 | Резюме трехмерных докладов GAN, управляемых громкоговорителями
**

**CVPR 2021 | Преобразование изображений Как дела? Несколько статей ГАН****
**

[CVPR 2021] Устаревшие проблемы улучшения распознавания лиц через GAN\

CVPR 2021 Генеративно-состязательная сеть GAN Частичное резюме документа\

Классический GAN должен читать: StyleGAN\

Последние и наиболее полные 20 статей! Улучшите или примените связанные документы на основе StyleGAN\

Более 100 статей! Краткое изложение самых полных статей GAN в CVPR 2020!

Прикрепленная загрузка | Китайская версия «Advanced Python»

Прикрепленная загрузка | Классическая китайская версия «Think Python»

Прикрепленная загрузка | «Практическое руководство по обучению модели Pytorch»

Прикрепленная загрузка | Последний выпуск Ли Му «Практическое глубокое обучение» 2020 г.\

Прикрепленная загрузка | Китайская версия «Объяснимого машинного обучения»\

Прикрепленная загрузка | «Алгоритм глубокого обучения TensorFlow 2.0 на практике»\

Прикрепленная загрузка | Более 100 статей! Краткое изложение самых полных статей GAN в CVPR 2020!

Прикрепленный скачать | Совместное использование "Математические методы в компьютерном зрении"