对抗迁移学习
文章平均质量分 88
迁移学习,对抗生成网络
点PY
If you cannot risk, you cannot grow. If you cannot grow, you cannot become you best. If you cannot become you best, you cannot be happy. If you cannot be happy, what else matters?
展开
-
Contrastive Learning for Unpaired Image-to-Image Translation论文简读
code : https://github.com/taesungp/contrastive-unpaired-translation文章目录背景梳理主要贡献背景梳理本文处理的任务是经典的非成对的自然图像转化问题(Unpair Pix2Pix)。训练数据中不同域的图像并不具有成对的匹配性(如fig1所示)。该方面最为经典的工作是CycleGAN[1]。但在CycleGAN的框架中要求两个域间的数据可以双向转化,这既增大了网络的计算代价有时也过于严格。本文采用了对比学习(Contrastive Lea.原创 2021-12-14 14:02:24 · 2921 阅读 · 0 评论 -
High-Resolution Photorealistic Image Translation in Real-Time: A LPTN
paper:http://www4.comp.polyu.edu.hk/~cslzhang/paper/LPTN-cvpr21-paper.pdfcode:https://github.com/csjliang/LPTN文章目录摘要LP(Laplacian Pyramid)Introduction实验结论讨论参考摘要现有的I2IT(Image-to-Image Translation)方法要么局限于低分辨率的Image, 要么就是高分辨率的feature卷积导致沉重的计算负担,使得reference原创 2021-05-24 09:12:08 · 1066 阅读 · 0 评论 -
域适应(domain adaptation)
文章目录导读前言域适应类别任务相关性一步域适应技术及其应用基于散度的域适应基于对抗的域适应基于重建的域适应结论导读在迁移学习中, 当源域和目标的数据分布不同 ,但两个任务相同时,这种特殊的迁移学习叫做域适应 (Domain Adaptation,DA )。因为其任务相同,域适应属于一种直推式迁移学习。在计算机视觉中,域适应是一个常见要求,因为带有标注的数据集很容易取得,但是获得的数据集和我们最终应用的数据集来源的域往往是不同的。那么解决这类问题的思路是什么呢?请看 AI 前线翻译的这篇文章,希望能有所启原创 2021-05-22 09:25:29 · 33845 阅读 · 4 评论 -
U-GAT-IT:基于GAN的新型无监督图像转换
code:https://github.com/znxlwm/UGATIT-pytorch文章目录前言论文引入模型结构CAM & Auxillary classifierAdaLIN判别器损失函数Trick 和 AdaLIN 实现代码实验总结前言生成对抗网络(GAN)在这几年的发展下已经渐渐沉淀下来,在网络的架构、训练的稳定性控制、模型参数设计上都有了指导性的研究成果。我们可以看出 17、18 年大部分关于 GAN 的有影响力的文章多集中在模型自身的理论改进上,如 PGGAN、SNGAN、SA原创 2021-05-18 11:09:15 · 2392 阅读 · 3 评论 -
常见的迁移学习方法
文章目录前言1. Domain Adaptation 领域自适应2. Online transfer learning 在线迁移学习3. Lifelong transfer learning 终身迁移学习4. Heterogeneous Transfer Learning 异构迁移学习5. Deep Transfer Learning 深度迁移学习6. Reinforcement Transfer Learning 强化迁移学习7. Adversarial transfer learning 对抗迁移学习参原创 2021-05-18 09:05:21 · 9356 阅读 · 0 评论 -
生成对抗网络(GAN)
文章目录前言GAN的原理简介用GAN生成动漫头像前言生成对抗网络(Generative Adversarial Net, GAN)是近年来深度学习中十分热门的方向。本文将简要介绍GAN的基本原理,并带领读者实现一个简单的生成对抗网络,用以生成动漫人物的头像。GAN的原理简介GAN的开山之作是被称为“GAN之父”的Ian Goodfellow发表于2014年的经典论文Generative Adversarial Networks,在这篇论文中他提出了生成对抗网络,并设计了第一个GAN实验——手写数字生原创 2021-05-14 08:39:41 · 1671 阅读 · 0 评论 -
领域泛化(Domain Generalization)
文章目录前言问题定义理论方法应用与数据集未来挑战参考前言领域泛化 (Domain Generalization, DG) 是近几年非常热门的一个研究方向。它研究的问题是从若干个具有不同数据分布的数据集(领域)中学习一个泛化能力强的模型,以便在 未知 (Unseen) 的测试集上取得较好的效果。本文介绍DG领域的第一篇综述文章《Generalizing to Unseen Domains: A Survey on Domain Generalization》。该论文一共调研了 160篇 文献,其中直接与领原创 2021-05-09 23:48:38 · 9566 阅读 · 1 评论 -
风格迁移(CycleGAN)
文章目录概述CycleGANCycleGAN有两个Generator网络CycleGAN有两个Discriminator网络CycleGAN的网络结构应用参考概述Cycle-Consistent Adversarial Networks(CycleGAN)是一个新颖的方法,它能将图像从源域映射到目标域b。CycleGANs的一个很酷的功能是它不需要训练数据配对就能产生惊人的风格传递的结果。在许多风格迁移的应用中,成对数据是训练所必需的。配对CycleGAN不需要配对数据输入到模型中无需原创 2021-05-06 09:30:23 · 4181 阅读 · 0 评论 -
深度迁移学习
文章目录前言深度网络的可迁移性最简单的深度迁移:finetune为什么需要已经训练好的网络?为什么需要 finetune?Finetune 的优势Finetune 的扩展深度网络自适应基本思路小结深度对抗网络迁移基本思路核心方法参考前言随着深度学习方法的大行其道,越来越多的研究人员使用深度神经网络进行迁移学习。对比传统的非深度迁移学习方法,深度迁移学习直接提升了在不同任务上的学习效果。并且,由于深度学习直接对原始数据进行学习,所以其对比非深度方法还有两个优势:自动化地提取更具表现力的特征,以及满足了实际原创 2021-04-06 16:03:32 · 3695 阅读 · 0 评论 -
迁移学习简介
文章目录前言迁移学习的概念为什么需要迁移学习参考前言冬末春初,北京的天气渐渐暖了起来。这是一句再平常不过的气候描述。对于我们在北半球生活的人来说,这似乎是一个司空见惯的现象。北京如此,纽约如此,东京如此,巴黎也如此。然而此刻,假如我问你,阿根廷的首都布宜诺斯艾利斯,天气如何?稍稍有点地理常识的人就该知道,阿根廷位于南半球,天气恰恰相反:正是夏末秋初的时候,天气渐渐凉了起来。我们何以根据北京的天气来推测出纽约、东京和巴黎的天气?我们又何以不能用相同的方式来推测阿根廷的天气?答案显而易见:因为它们的地理原创 2021-04-06 00:14:51 · 492 阅读 · 0 评论 -
域适应论文简读
文章目录前言2020An End-to-End Network for Remote Sensing Imagery Semantic Segmentation via Joint Pixel- and Representation-Level Domain AdaptationClass-Aware Domain Adaptation for Semantic Segmentation of Remote Sensing Images前言基于深度学习的语义分割模型通过卷积操作提取图像局部区域的特征,周原创 2021-04-02 16:10:39 · 1372 阅读 · 0 评论