2017年03月_Tygrer

转载相对熵（KL散度）

转载地址：http://blog.csdn.net/acdreamers/article/details/44657745 今天开始来讲相对熵，我们知道信息熵反应了一个系统的有序化程度，一个系统越是有序，那么它的信息熵就越低，反之就越高。下面是熵的定义如果一个随机变量的可能取值为，对应的概率为，则随机变量的熵定义为

2017-03-14 21:12:26 1165

转载每日论文InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial

转载地址：http://hacker.duanshishi.com/?p=1766 InfoGAN InfoGAN是一种能够学习disentangled representation的GAN(https://arxiv.org/pdf/1606.03657v1.pdf)，何为disentangled representation？比如人脸数据集中有各种不同的属性特点，如脸部表情、是否带

2017-03-13 16:09:19 2441

原创每日论文Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

这篇文章用了深度残差网络同时用到GANs的概念构建的超分辨神经网络模型。主要贡献点： 1.构建由MSE优化的16blocks残差网络（SRResNet）。 2.SRGAN网络游GAN构建的网络。 3.MOS测试在3个数据库上SRGAN都不错的效果。 GAN的感知损失函数，除了GAN损失函数外还有基于内容的损失函数。内容的损失函数有两种，一种是MSE，还有一种是对VGG19的层卷积的结果求方

2017-03-10 16:15:54 1652

原创每日论文image-to-Image Translation with Conditional Adversarial Networks

这篇文章设计一个有条件的GANs,文中的loss function 用了L1与ground truth距离而不是L2,减少了模糊。文中还用了skips，避免遇到网络结构上的瓶颈丢失了输入图像的重要信息。在判别器上，为了使得图像能高频化，文中将图片变成局部块，这样判别器只是惩罚局部的块，至于连接就用到了另一篇论文的思想，随机马尔代夫方法连接。为了更好优化网络，一步D，一步G，用最小SGD和Adam

2017-03-09 16:08:04 315

原创每日论文Transient Attributes for High-Level Understanding and Editing of Outdoor Scenes

这篇文章可以将图像转化天气气候属性，比如一副图像的春天夏天或者雾天晴天干燥等。图像转化的非常自然。这篇文章主要创新点有：1.101个室外摄像头里面的捕捉的比较大变化的图片，并用众包标签了它。2.用训练回归器来识别属性。3.同时制作了用户界面可以改变想改变的属性。4,.可以对一个任意图像根据建立的图像数据库匹配进行自然转化。文中用学习认识属性的方法提出了三种:SVM,log,SVR,评估的方法用

2017-03-09 15:35:19 603

原创每日论文Least Squares Generative Adversarial Networks

Least Squares Generative Adversarial Networks 每天一篇论文，本人可能对论文的理解程度有限，欢迎评论批评指教。这篇文章说如果用sigmoid交叉熵的损失函数会将决策边侧认定为正确的假的样本地更新生成器的梯度消失，非常绕口，个人理解应该是损失函数不好，有些假的样本也会通过辨别器。因此这边文章改了损失函数，Least Squares Generat

2017-03-06 10:16:20 1383

u010032054的博客

转载相对熵（KL散度）

转载每日论文InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial

原创每日论文Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

原创每日论文image-to-Image Translation with Conditional Adversarial Networks

原创每日论文Transient Attributes for High-Level Understanding and Editing of Outdoor Scenes

原创每日论文Least Squares Generative Adversarial Networks

k-means聚类算法

空空如也

转载 相对熵（KL散度）

转载 每日论文InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial

原创 每日论文Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

原创 每日论文image-to-Image Translation with Conditional Adversarial Networks

原创 每日论文Transient Attributes for High-Level Understanding and Editing of Outdoor Scenes

原创 每日论文Least Squares Generative Adversarial Networks

k-means聚类算法

空空如也

转载相对熵（KL散度）

转载每日论文InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial

原创每日论文Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

原创每日论文image-to-Image Translation with Conditional Adversarial Networks

原创每日论文Transient Attributes for High-Level Understanding and Editing of Outdoor Scenes

原创每日论文Least Squares Generative Adversarial Networks