深度学习自学（三十九）：基于对抗网络判别能力正则化的半监督生成方法

最新推荐文章于 2023-05-14 20:00:07 发布
最新推荐文章于 2023-05-14 20:00:07 发布
阅读量472 收藏
点赞数
分类专栏： CVPR学习 计算机视觉 文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/thedayin_csdn/article/details/106166600
版权

整理的人脸系列学习经验：包括人脸检测、人脸关键点检测、人脸优选、人脸对齐、人脸特征提取，Re-ID等学习过程总结，有需要的可以参考，仅供学习，请勿盗用。https://blog.csdn.net/TheDayIn_CSDN/article/details/93199307

CSIG-广东省CVPR2020论文论文预交流在线学术报告会（报告12）：


 

TheDayIn_csdn
关注
专栏目录
TPAMI 2024 | 单目深度估计：全面综述
小白学视觉
07-24 1128
在计算机视觉领域，对二维图像中深度的估计是一个具有挑战性的主题。这是一个长期被深入研究且定义不明确的问题，一直是密集研究的焦点。本文是对这一主题的深入回顾，呈现了两个方面：一方面考虑人类深度感知的机制，另一方面包括各种深度学习方法。这些方法以紧凑和结构化的方式呈现，概述了主题，并根据近十年的研究线索对方法进行了分类。尽管在这一主题上取得了显著进展，但似乎没有任何与人类深度感知及其潜在益处的联系。
Deep Reinforcement Learning : An Overview(Yuxi Li) 学习笔记
weixin_44412076的博客
03-14 3759
翻译的比较粗糙，仅供参考。 2.2 Deep Learning 深度学习与浅层学习形成对比。对于许多机器学习算法，如线性回归、逻辑回归、支持向量机(SVMs)、决策树和增强等，我们有输入层和输出层，在训练前可以用人工特征工程对输入进行转换。在深度学习中，在输入层和输出层之间有一个或多个隐藏层。在除输入层外的每一层，我们计算每个单元的输入，作为上一层单元的加权和;然后，我们通常使用非线性变换，或...
生成对抗网络GAN正则化方法: 近期研究综述
05-21
尽管生成式对抗网络(GAN)的历史并不长，但它已被广泛地研究和用于各种任务，包括其最初的目的，即合成样品的生成。然而，将GAN用于具有不同神经网络结构的不同数据类型，由于其在训练方面的局限性，使得模型很容易出现混乱。
（2021，R_LC）在有限数据下正则化生成对抗网络
最新发布
qq_44681809的博客
05-14 546
有限数据设置下，通过在训练阶段对判别器 loss 添加如下正则化项，使 GAN 模型实现更稳健的训练。
【GAN ZOO阅读】模式正则化的生成对抗网络 MODE REGULARIZED GENERATIVE ADVERSARIAL NETWORKS
hyczkg的博客
11-16 2629
原文地址： https://arxiv.org/abs/1612.02136 引用之请注明出处。 Tong Che 1，Yanran Li 2 3，Athul Paul Jacob 1，Yoshua Bengio 1，Wenjie Li 2 1 蒙特利尔学习算法研究所，蒙特利尔大学，蒙特利尔，QC H3T 1J4，加拿大 2 香港理工大学计算机系，香港 3 滑铁卢大学计算机学院，滑铁卢，O...
Text to image论文精读DR-GAN：分布正则化的生成对抗网络 Distribution-Regularization-for-Text-to-Image-Generation
白洞，白色的明天在等着我们
12-16 3160
DR-GAN是北京理工大学者和大连理工大学学于2022年4月提出的一种新的文本到图像生成模型，称为分布正则化生成对抗网络（Distribution-Regularization-for-Text-to-Image-Generation，DR-GAN）
Feature Statistics Mixing Regularization for Generative Adversarial Networks
m0_61985580的博客
06-12 1151
1）鉴别器是否有偏差，以及2）如果消隐鉴别器将提高生成性能。事实上，我们发现经验证据表明，鉴别器对图像的风格（例如纹理和颜色）很敏感。作为补救措施，我们提出了特征统计混合正则化（FSMR），鼓励鉴别器的预测对输入图像的样式保持不变。具体而言，我们在鉴别器的特征空间中生成原始图像和参考图像的混合特征，并应用正则化，以便混合特征的预测与原始图像的预测一致。我们进行了大量实验，以证明我们的正则化降低了对样式的敏感性，并持续改进了九个数据集上各种GAN架构的性能。此外，将FSMR添加到最近提出的基于增强的GAN方法
语义分割-Unsupervised Domain Adaptation in Semantic Segmentation：a Review语义分割中的无监督领域自适应：综述
ssshyeong的博客
11-28 5133
对语义分割的深层网络的无监督域自适应（UDA）的最新进展进行综述。
基于注意力的丢弃层弱监督目标定位
2219基于注意力的丢弃层弱监督目标定位Junsuk Choe和HyunjungShim韩国延世大学综合技术学院{junsukchoe，kateshim}@ yonsei.ac.kr摘要弱监督对象定位（WSOL）技术仅使用图像级标签学习对象位置，而不使用位置注释。...
（十一：2020.08.28）CVPR 2017 追踪之论文纲要（译）
Jojo论文基地
08-28 3295
CVPR 2017 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译以方便我第一次筛选，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录
sesemi:具有自监督正则化的监督和半监督图像分类。 https
04-16
具有自我监督正则化的图像分类 安装 我们首选的安装方法是Docker。 请参考提供的docker/Dockerfile和相关说明。 否则， pytorch>=1.6.0和torchvision>=0.7.0以及torchvision>=0.7.0 docker/requirements.txt应该满足在Docker外部（例如在Anaconda环境中）运行此存储库的依赖关系。 用法 以下说明适用于Docker和安装。 从下载完整大小的imagewoof2数据集。 将其解压缩到data子目录。 您应该将路径data/imagewoof2与train和val分开 发出以下docker docker run命令来训练和评估具有ResNet-50主干网的SESEMI模型。 该命令假定imagewoof2数据集已安装到图像上，并且可以通过容器内的路径/home/appuser/sesemi/data
半监督深度学习小结：类协同训练和一致性正则化
Paper weekly
12-24 7177
作者丨陈家铭学校丨中山大学硕士生研究方向丨半监督深度图像分类协同训练 Co-trainingCo-training 是基于分歧的方法，其假设每个数据可以从不同的角度（vi...
半监督生成对抗网络_生成对抗网络（GAN）的半监督学习
weixin_35176891的博客
01-02 1786
前言如果您曾经听说过或研究过深度学习，那么您可能就知道MNIST, SVHN, ImageNet, PascalVoc或者其他数据集。这些数据集都有一个共同点： 它们由成千上万个有标签的数据组成。 换句话说，这些集合由(x，y)对组成，其中(x)是原始数据，例如是一个图像矩阵；而(y)则表示该数据点(x)表示的标签。以MNIST数据集为例， MNIST数据集包含60,000个图像数据，每个数据表征...
【神经网络】——生成式对抗网络（GANs）的快速理解
锟金铐鏜鏜鏜
09-17 1万+
链接： https://mp.weixin.qq.com/s/1Wiewk_tdzTFvRZInnjiIw 生成式对抗网络（GANs） 生成式对抗网络（GAN）是一个最新的研究领域，主要用在计算机视觉方面的图像生成和NLP方面的生成式对话内容。简单说：就是机器可以根据需要生成新的图像和对话内容。 【摘要】GAN是由Goodfellow等人于2014年设计的生成模型。在GAN设置中，两个...
半监督学习笔记（二）：一致性正则化
IRONFISHER的博客
09-17 7346
Introduction 原文链接 https://arxiv.org/abs/2006.05278v2https://arxiv.org/abs/2006.05278v2 昨天的更新讲了一下半监督学习的Overview部分，简要的复习一下： 半监督学习的概念：大部分数据没有标注，少部分数据有标注，然后半监督学习要对这些数据执行良好的分类任务。 半监督学习的方法：一致性正则化，代理变量，生成模型，基于图的方法。 半监督学习的基本假设：平滑性假设、聚类假设、流形假设 半监督学习的相关问题：主动学
[总结] 半监督学习方法: 一致性正则化(Consistency Regularization)
热门推荐
不定期更新 Web 开发及机器学习相关博客
02-23 2万+
基于平滑假设和聚类假设, 具有不同标签的数据点在低密度区域分离, 并且相似的数据点具有相似的输出. 那么, 如果对一个未标记的数据应用实际的扰动, 其预测结果不应该发生显著变化, 也就是输出具有一致性.
[深度学习]半监督学习、无监督学习之DCGAN深度卷积生成对抗网络(附代码)
sinat_33487968的博客
12-12 4995
论文全称：《Generative Adversarial Nets》 论文地址：https://arxiv.org/pdf/1406.2661.pdf 论文全称：《UNSUPERVISED REPRESENTATION LEARNING WITH DEEP CONVOLUTIONAL GENERATIVE ADVERSARIAL NETWORKS》 论文地址：https://arxiv.or...
深度学习自学（二十六）：ICCV2019
TheDayIn_CSDN的博客
11-07 2万+
简单整理下人脸方向ICCV2019相关的论文。 Oral 论文 11.Photo-Realistic Facial Details Synthesis from Single Image 作者：Anpei Chen, Zhang Chen, Guli Zhang, Ziheng Zhang, Kenny Mitchell, Jingyi Yu 论文链接：https://arxiv.org/a...
人脸方向学习（一）：人脸质量评价-模糊检测方法总结一
TheDayIn_CSDN的博客
01-28 1万+
作者：DayInAI 日期：20190128 此处为人脸检测之后进行人脸质量筛选的方案评估结果，主要是为了筛选不合格人脸，做了基本传统图像处理方法的分类，效果不是很好，后期尝试卷积神经网络做分类。 一、图像的模糊检测 1、基本方案 图像的清晰度检测方法主要分为两种情况： 一种是根据已有的图像，来判断现在的图像是否模糊； 另一种是在无参考图像的情况下，判断图像是否模糊； 现在主要判断无参考图像下的模...
生成对抗网络(GAN)：深度学习的创新应用
"《人工智能导论》中关于生成对抗网络(GAN)的章节，由浙江工业大学出版，适合对人工智能和深度学习感兴趣的自学者。" 生成对抗网络（Generative Adversarial Networks, GANs）是深度学习领域的一种创新性框架，由...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值