对抗学习之Learning from Simulated and Unsupervised Images through Adversarial Training

本文探讨了如何通过对抗性训练(GAN)结合有监督和无监督信息生成逼真的图像数据,以提升深度学习模型的训练效果。通过Simulated+Unsupervised learning with GAN,目标是使生成的图像更接近真实,同时保留模拟数据的标注信息。研究中提出了分块训练D网络以改善局部细节,并使用缓冲区策略提高D网络的泛化能力。实验结果显示,这种方法在眼神跟踪等任务上取得了良好效果,但部分细节描述不清,更多作为实用训练技巧。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

今天讲一篇cvpr2017的best paper,不是大家熟知的densely connect,是苹果的Learning from Simulated and Unsupervised Images through Adversarial

Training,用GAN来做对抗学习的。

Motivation:

      搞数据一直是深度学习的老大难问题,也是工业界优势于学术界的地方,需要花钱标很多数据,然后不需要那么多trick网络训练效果就能很好,加数据一直是个稳定有效的方式。但是即使有钱标注数据,还是需要比较长的时间周期,而且有些数据还需要人肉采集之后才能标注(比如特定的人脸),所以怎么能生成逼真的训练数据是个很有价值的工作了。这个文章就是来想办法通过有监督和无监督信息来生成很真实的图片数据,并且基于这些数据做训练得到更好的效果,主要的贡献就在于以计算合成的图片为输入通过GAN使其更像一个真实图片,去除artifact。

基本原理:

      Simulated+Unsupervised learning with GAN, 其目标在于经过GAN网络之后图片更像真实的图片(Lreal),而且同时保留simulated中的标注信息(Lreg):

       

      整个网络的结构设计如下,

评论
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
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