![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
生成对抗网络
文章平均质量分 86
西_西_
不生产知识,只是知识的搬运工。
展开
-
GAN+自建数据集
X_train = np.expand_dims(X_train, axis=-1) # 添加通道维度。img = img / 255.0 # 将像素值缩放到 [0, 1]原创 2023-12-05 15:28:45 · 499 阅读 · 0 评论 -
DCGAN+自建数据集
dcgan.train(epochs=4000, batch_size=32, save_interval=50) # save_interval是跑多少次batch进行一次日志记录。X_train = np.expand_dims(X_train, axis=-1) # 添加通道维度。img = img / 255.0 # 将像素值缩放到 [0, 1]原创 2023-12-05 09:57:36 · 329 阅读 · 0 评论 -
常被误解的DCGAN
近年来,通过卷积网络(CNN)进行监督学习的方法已在计算机视觉应用中得到了广泛采用。相比之下,CNN的无监督学习受到的关注较少。在这项工作中,我们希望帮助缩小CNN在监督学习与无监督学习之间的差距。我们介绍一种遵循着一些网络结构设计约束的深度卷积生成对抗网络(DCGAN),并证明它是无监督学习的强大候选者。在各种图像数据集上的训练结果令人信服,即深度卷积生成器和判别器都学习到了从对象局部到场景的特征层次结构。此外,我们将学习到的特征用于新颖的任务——这更进一步展示了其作为通用图像特征表示的适用性。原创 2023-12-20 11:00:20 · 785 阅读 · 0 评论 -
GAN在医学图像上的应用
合成的vessel tree图像又可以输入到图像到图像的转换模型中,从而形成用于高分辨率视网膜图像合成的端到端框架。作者强调添加标签label图会带来全局更真实的合成效果,并在合成数据上训练的肿瘤检测模型验证了他们的合成PET图像,获得了与在真实数据上训练的模型媲美的结果。他们认为当标记数据稀缺时,合成数据是有益的。现有的工作表明,DCGAN可用于合成逼真的前列腺病变斑块(Kitchen和Seah,2017年),视网膜图像(Schlegl,2017)或肺癌结节(Chuquicusma,2018)。原创 2023-12-20 11:14:41 · 1163 阅读 · 0 评论