翻译阅读笔记
文章平均质量分 74
菜鸟要超神
这个作者很懒,什么都没留下…
展开
-
Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network
Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network原创 2017-02-15 10:30:05 · 6218 阅读 · 0 评论 -
挖坑:UNSUPERVISED AND SEMI-SUPERVISED LEARNING WITH CATEGORICAL GENERATIVE ADVERSARIAL NETWORKS
Unsupervised and Semi-supervised Learning with Categorical Generative Adversarial Networks原创 2017-02-18 16:04:32 · 3578 阅读 · 0 评论 -
阅读源码遇到的一些Python 函数(--小白笔记)
npexpand_dimsdefaultdictnp.expand_dims扩展维度,例:>>> import numpy>>> a=numpy.arange(10)>>>> aarray([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])>>> a.shape(10,)>>> b=numpy.expand_dims(a,axis=0)>>> barray([[0, 1原创 2017-03-29 20:28:50 · 467 阅读 · 0 评论 -
Semi-Supervised Learning with Generative Adversarial Networks
通过使判别器网络输出类别标签将GAN扩展成半监督的。在一个N类别的数据集上训练生成模型G和判别模型D。训练时,D预测输入数据属于N个类别中的哪一个,加入一个额外的类别对应G的输出。我们证明,相对与普通的GAN,此方法可以用来生成一个更有效的分类器并可以生成高质量的样本。原创 2017-04-13 21:45:19 · 6932 阅读 · 2 评论 -
CONDITIONAL IMAGE SYNTHESIS WITH AUXILIARY CLASSIFIER GANS
论文下载地址:这里[目录]摘要简介背景知识AC-GANs结果生成高分辨率图像改善可分性测量生成图像的多样性摘要合成高分辨率图像是机器学习中一个长期存在的挑战,文中介绍了图像合成的一个改进训练GAN s的新方法。我们运用标签条件构建了一个变种GANs,产生显示出全局一致性的128×128分辨率的图像样本。我们扩展了以前的图像质量评价工作,提出了两种新的分析方法,以评价类别条件图像合成模型原创 2017-04-13 21:27:16 · 2683 阅读 · 0 评论 -
Spectral–Spatial Classification of Hyperspectral Imagery with 3D Convolutional Neural Network
Spectral–Spatial Classification of Hyperspectral Imagery with 3D Convolutional Neural NetworkYing Li,, Haokui Zhang,and Qiang Shen 点击下载论文SpectralSpatial Classification of Hyperspectral Imagery with 3D翻译 2017-07-02 13:05:08 · 3681 阅读 · 2 评论