深度学习
文章平均质量分 86
空苍地樱
这个作者很懒,什么都没留下…
展开
-
StyleGan2-ADA: Training Generative Adversarial Networks with Limited Data
训练一个GAN模型,通常需要比较多的数据(ffhq是7万),数据量少的话会导致判别器过拟合,回传的梯度无意义,从而导致生成器停止学习或崩掉。GAN本质上就是通过判别器找到生成图与真实图差异的部分,通过赋予相应位置权重(梯度)来提升生成效果。训练初期判别器关注整体形状,后期更关注细节。本文讨论如何使用较少的数据(几千张),通过数据增益方法,避免判别器过拟合,训练出好的生成器。一般的监督学习训练任务都会使用数据增益(旋转,颜色变换、加噪声等),但如果直接用到GAN的训练任务中,可能会导致增益泄露到生成器。比原创 2021-05-28 15:42:56 · 3544 阅读 · 0 评论 -
TensorRT的安装以及可能遇到的问题
安装流程及问题参考官网链接:https://docs.nvidia.com/deeplearning/sdk/tensorrt-install-guide/index.html这里以ubuntu系统为例,首先上TensorRT官网把对应版本的安装包下载下来,可能需要登录,版本选择DEB,找到自己对应的Ubuntu版本跟cuda版本。ubuntu版本查看:cat /etc/issu...原创 2019-08-26 18:59:02 · 11186 阅读 · 2 评论 -
GauGAN,Semantic Image Synthesis with Spatially-Adaptive Normalization 论文阅读
简介本文做的模型是从一张语义图(分割里的semanticmask)生成相应的一张真实图,下图的第一行是输入,不同的颜色代表不同的语义类别,第二行到第三行是生成的真实图像,其中每一行对应一种风格,每行最左边的图例为风格样式。这篇文章最主要的地方就是讨论了normalization层在语义信息里的作用。之前的方法,normalization层会过滤掉语义图的语义信息。为什么呢,可以看下图...原创 2019-08-29 20:16:41 · 1711 阅读 · 3 评论 -
(CVPR 2018)Large Scale Fine-Grained Categorization and Domain-Specific Transfer Learning,细粒度图像识别
简介本文主要讨论了几个点:图像分辨率对识别的影响 长尾数据应对方法,主要针对iNaturalist数据。所谓长尾数据是指类别数据量不平衡,有些类别数据量很大,很多类别数据量很少,呈长尾状。细粒度图像识别,例如鸟类、车类的子类别。本文并没有提出新的网络结构,主要是通过迁移学习达到此目的。针对source数据的选取、预训练及fine-tune。图像分辨率讨论分辨率越高包含的信息量...原创 2019-09-02 20:35:14 · 825 阅读 · 1 评论