[GAN]CelebA&CelebAMask-HQ数据集

在往服务器传数据集,间隙把最近看到的数据集整理一下。最近在构思实验写代码,之前发的两篇论文VCNetFT-TDR两篇文章只整理了文章的方法,今天会把两篇文章的实验和数据对比补充上来。
昨天下午面试了网易的CV实习生,HR小姐姐很nice,说我对自己剖析得很深刻(感谢咯)。希望未来能有幸去杭州体验半年社畜生活。
不过还是希望最近能专注于毕业设计,最好能赶上MM的投稿吧,学长给留的周三ddl的任务我现在还没弄完,555,都怪前两天偷懒打游戏(和男票玩帝国时代,不过也算是提供情绪价值+锻炼决策复盘能力了哈哈)、还总是胸怀天下操心军事大事。
跟HR讲过我最大的弱点就是胆汁质人格带来的负面影响,情绪容易波动,但印象体会不深刻。然后就是难以接受批评,学不会从善如流。最近还需要注意的一点是玻璃心,少点情绪,多干实事。 最近看了个美剧叫公关,希望自己也能控制好情绪,变成擅长解决问题的人。
plus,讲故事的时候要分清什么是personal,什么是private。少说自己private的事。
罢了,话不多说,冲!

😆下载看这里:

✨CelebA dataset

  • CelebA数据集全称为Large-scale CelebFaces Attributes (CelebA) Dataset,大规模名人特征数据集。
  • CelebA (CelebA)是一个大型的人脸特征数据集,包含超过200K张名人照片,每张照片都有40个属性标注。CelebA有大量丰富的注释,包括
    • 10,177个身份
    • 202,599个人脸图像
    • 5个关键点位置,每幅图像40个二进制属性注释。
  • 该数据集可用于以下计算机视觉任务的训练和测试集:人脸属性识别、人脸识别、人脸检测、人脸关键点定位以及人脸编辑和合成

✨CelebAMask-HQ

  • CelebAMask-HQ是一个大规模的人脸图像数据集,它包含了3万张CelebA数据集中选择的高分辨率人脸图像CelebA-HQ

  • 每个图像都有对应CelebA的人脸属性的分割掩码。CelebAMask-HQ的mask大小为512 × 512,共有 19类属性特征,包括皮肤、鼻子、眼睛、眉毛、耳朵、嘴巴、嘴唇、头发、帽子、眼镜、耳环、项链、脖子、布等面部部位和装饰配件。
    在这里插入图片描述

  • CelebAMask-HQ可以用来训练和评估人脸解析分割(parsing)、人脸识别的算法,以及用于人脸生成和编辑的GAN

  • 数据集解压完里面是这样的:
    在这里插入图片描述
    CelebA-HQ-img存30000张高清的图片,CelebAMask-HQ-mask存各个人脸component的分割mask。
    在这里插入图片描述

References

  1. emojipedia官网,往你的博客里加表情
  • 5
    点赞
  • 14
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
对于训练GAN(生成对抗网络)来生成CelebA数据集中的人脸图像,你可以按照以下步骤进行: 1. 数据集准备:首先,你需要下载并准备CelebA数据集CelebA数据集包含大量名人的人脸图像,可以从官方网站或其他资源中获取。 2. 数据预处理:对于训练GAN,通常需要对数据进行一些预处理。这可能包括裁剪、调整大小、归一化等操作,以确保所有图像具有相同的尺寸和格式。 3. 构建GAN模型:使用深度学习框架(如TensorFlow、PyTorch等),构建一个GAN模型。GAN由一个生成器网络和一个判别器网络组成。 - 生成器网络负责生成逼真的图像,接受一个随机噪声向量作为输入,并输出一个与CelebA数据集相似的图像。 - 判别器网络负责判别输入图像是真实的(来自CelebA数据集)还是生成的(来自生成器网络)。判别器网络被训练来最小化真实图像和生成图像之间的差异。 4. 训练GAN模型:通过交替训练生成器和判别器,使它们相互竞争并最终达到均衡状态。在每个训练步骤中,生成器试图生成更逼真的图像,而判别器试图更准确地识别生成的图像。 5. 评估和调优:在训练过程中,你可以定期评估生成器的输出,并根据需要进行调整。可以使用指标(如Inception Score、Frechet Inception Distance等)来评估生成图像的质量和多样性。 6. 生成图像:一旦GAN模型训练完成,你可以使用生成器网络来生成新的CelebA风格的人脸图像。通过输入随机噪声向量,生成器将输出一个逼真的人脸图像。 这些是训练GAN生成CelebA数据集图像的一般步骤。具体的实现可能因使用的框架和算法而有所不同。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

Vanessa Ni

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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