- 博客(60)
- 收藏
- 关注
RSS订阅原创 Pytorch实现之基于GAN+序列后向选择的情绪识别增强方法
在WGAN-GP+CGAN的基础上利用了序列后向选择方法来挑选优质样本补充到训练集当中，丰富训练数据集。
2025-04-01 19:53:38
38
原创 开个坑记录一下树莓派4B部署yolo的一些问题
这个问题困扰了我一天半，下载的时候显示的信息是aar64的系统，但是这并无意味着一个问题，那就是你的操作系统是64位的。我在树莓派得出来的操作系统是32位。这就使得你在解压系统的时候会出现一些问题，比如conde.exe无法找到。
2025-03-25 23:28:05
295
原创 Pytorch实现之对称卷积神经网络结构实现超分辨率
针对传统的超分辨率重建技术所重建的图像过于光滑且缺乏细节的问题，作者提出了一种改进的生成对抗图像超分辨率网络。 该改进方法基于深度神经网络，其生成模型包含多层卷积模块和多层反卷积模块，其中在感知损失基础上增加了跳层连接和损失函数。 该判别模型由多层神经网络组成，其损失函数基于生成式对抗网络生成的判别模型损失函数。
2025-03-23 22:37:11
285
1
原创 Pytorch实现之最小二乘梯度归一化设计
LSGAN提出了一种利用最小二乘法来计算两个数据分布之间的距离，该论文在此基础上采用梯度归一化来进一步稳定训练。
2025-03-15 13:44:25
135
原创 Pytorch实现之S2GAN实现Sentinel-2光谱波段的空间分辨率
提出了一种基于生成对抗网络的超分辨率（SR）方法（称为S2GAN）来提高Sentinel-2光谱波段的空间分辨率
2025-03-08 13:22:54
568
原创 Pytorch实现之SICSGAN实现图像识别
在改进的条件深度卷积生成对抗网络模型，利用频谱归一化的全局权重。 使用组归一化对隐层的输入进行处理，可以加快训练速度，提高生成样本的质量。 模型采用全局平均池化层代替全连接层，避免过拟合。同时设计了一个分类器，沿用鉴别器的参数来实现图像识别。
2025-03-07 16:36:10
200
原创 Pytorch实现之采用DCGAN并结合训练策略来生成狗狗图像
通过采用DCGAN来训练生成修狗的数据集，并且针对GAN网络在训练过程中经常遇到的一些问题做了一个总结，并且给出了七个策略来帮助训练。
2025-03-06 20:25:44
212
原创 Pytorch实现之LSRGAN，轻量化SRGAN超分辨率SAR
在SRGAN的基础上设计了一个轻量化的SRGAN模型结构，通过DSConv+CA与残差结构的设计来减少参数量，同时利用SeLU激活函数构造。与多类SRGAN改进不同的是，很少使用BN层。
2025-03-05 17:30:02
354
原创 Pytorch实现之结合mobilenetV2和FPN的GAN去雾算法
该论文提出了一种基于特征金字塔网络（FPN）的生成对抗网络（GAN）单幅图像去雾算法。 该方法是一种端到端图像去雾方法，避免了对物理模型的依赖。 生成器以MobileNet-V2为骨干网络，采用FPN结构提高图像的特征利用率。鉴别器是常规架构，损失函数也是常规函数。
2025-03-02 16:03:20
1425
原创 Pytorch实现之促进恶意软件图像合成GAN
恶意软件攻击数量激增（每天新增超45万样本），传统基于签名的检测方法对零日攻击（未见过的恶意软件）无效，且特征工程耗时。现有恶意软件图像分类方法面临类别不平衡（如Microsoft Malware Challenge和Malimg数据集），导致模型过拟合或泛化能力差。因此作者提出一种新型生成对抗网络（GAN），用于合成高质量的恶意软件图像，解决类别不平衡问题，生成图像接近真实样本，模拟未来可能出现的零日攻击样本。
2025-03-01 22:52:08
117
原创 Pytorch实现之使用生成对抗神经网络平衡数据
论文主要解决类别不平衡问题，即数据集中某些类别的样本数量远少于其他类别。这种不平衡会导致分类器偏向多数类，降低对少数类的预测性能。论文提出使用生成对抗网络生成少数类样本，以平衡数据集。具体方法包括：自编码器（Autoencoder）和GAN。
2025-02-27 21:03:28
352
原创 Pytorch实现之浑浊水下图像增强
这也是一篇非常适合GAN小白们上手的架构文章！提出了一种基于GAN的水下图像增强网络。这种网络与其他架构类似，生成器是卷积+激活函数+归一化+残差结构的组成，鉴别器是卷积+激活函数+归一化以及全连接层。损失函数是常用的均方误差、感知损失和对抗损失三部分。
2025-02-25 21:54:54
297
原创 Pytorch实现之混合成员GAN训练自己的数据集
提出一种新的MMGAN架构，使用常见生成器分布的混合对每个数据分布进行建模。由于生成器在多个真实数据分布之间共享，高度共享的生成器（通过混合权重反映）捕获分布的公共方面，而非共享的生成器捕获独特方面。
2025-02-25 14:38:51
140
原创 Pytorch实现论文：基于多尺度融合生成对抗网络的水下图像增强
提出了一种新型的水下图像增强算法，基于多尺度融合生成对抗网络，名为UMSGAN，以解决低对比度和颜色失真的问题。首先经过亮度的处理，将处理后的图像输入设计的MFFEM模块和RM模块生成图像。该算法旨在适应各种水下场景，提供颜色校正和细节增强。
2025-02-24 14:08:13
1912
原创 Pytorch实现之：基于最小二乘生成对抗网络的快速电磁超表面单元设计
简介：介绍了一种快速的结合了Metacell设计的最小二乘方案的CGAN模型，成功地将其应用于Metasurface结构设计。在训练CLSGAN之后，它可以根据输入条件快速输出Metacell结构，该条件解决了该区域缺乏自由度的问题，并为下一步提供了更多可选的结构。四焦点金属的结果表明，这项工作中提出的快速模型可以很好地概括，并且比训练集结果可以输出更好的细胞结构。
2025-02-24 10:00:00
765
原创 优质GAN模型专栏目录
（GANs, Generative Adversarial Networks）是一种深度学习架构，由生成器（Generator）和判别器（Discriminator）组成，通常用于生成逼真的数据（如图像、视频、音频等）。GANs 在多个领域中得到了广泛的应用，且其优点也使得它在很多场景中表现出色。包括生成高质量数据、无监督学习、数据增强、灵活性和适应性、高效的表示学习、创新的生成能力、对抗训练的鲁棒性该专栏主要利用Pytorch框架复现关于图像生成的GAN模型系列论文代码。
2025-02-23 10:00:00
502
原创 Pytorch实现基于GAN的无监督图像纹理特征传输训练自己的数据集
用Unet架构来构建生成器模型输出纹理特征图像，并设计了VGG19模型架构来构建纹理损失。利用多个低级VGG19的特征层计算均值和方差，并得到生成的纹理与真实纹理的差异性。并结合L1损失、对抗损失等共同训练。
2025-02-23 09:15:00
1892
原创 Pytorch实现之结合SE注意力和多种损失的特征金字塔架构GAN的图像去模糊方法
提出了一种利用特征金字塔作为框架代替多尺度输入的一种方法来构建生成器模型，减少了模型规模并加快了训练速度。在模型架构中还融合了通道注意力方法来提高训练能力。作者在生成器中采用了三种常见的损失计算，在鉴别器中结合了最小二乘和相对论损失来改善模型训练。
2025-02-22 14:56:43
1084
原创 Pytorch实现之新颖SRGAN架构与分类器设计，训练自己的数据集
提出了一个改进的SRGAN结构，并设计了一个分类器来判断生成的超分辨率图像是否属于正常的类别。
2025-02-22 09:15:00
532
原创 Pytorch实现之特征损失与残差结构稳定GAN训练，并训练自己的数据集
生成器和鉴别器分别采用了4个新颖设计的残差结构实现，同时在损失中结合了鉴别器层的特征损失来提高模型性能。
2025-02-21 14:14:19
570
原创 Pytorch实现之GIEGAN（生成器信息增强GAN）训练自己的数据集
在训练数据样本之前首先利用VAE来推断潜在空间中不同类的分布，用于后续的训练，并使用它来初始化GAN。与ACGAN和BAGAN不同的是，提出的GIEGAN有一个分类器结构，这个分类器主要判断生成的图像或者样本图像属于哪个类，而鉴别器仅判断图像是来自于生成器还是真实样本。
2025-02-21 12:01:19
709
原创 Pytorch实现之ISRGAN高分辨率图像生成训练自己的低分辨率图像
结合了深层次的残差结构的改进SRGAN模型。在低尺寸图像上执行SR，以使图像重新尺寸重新尺寸时增强和恢复图像的细节更细节更大的尺寸。
2025-02-20 23:33:44
456
空空如也
YOLOX在训练过程中，如果路径的用户名存在空格，报错了怎么办？（Pytorch）
2024-06-15
TA创建的收藏夹 TA关注的收藏夹
TA关注的人