由Adversarially Learned Inference引发

最新推荐文章于 2022-11-23 10:37:53 发布
最新推荐文章于 2022-11-23 10:37:53 发布
阅读量1.1k 收藏 2
点赞数
分类专栏： ICLR17 文章标签： GAN GLI
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_36616268/article/details/104100288
版权

首先ALI和BiGAN上本质上是一样的，但是有一点区别，那就是ALI的encoder输出是mu和sigma，然后随机采样出来编码，而BiGAN则直接输出一个确定的结果，没有sample这一步。

看到这篇文章我又去补习了一下VAEGAN，BiGAN，因此这篇文章主要就是做一下对比吧。

VAEGAN：

从VAE的角度去理解，增加了判别器，来使得生成的图片尽可能的逼真。

包含VAE中的所有loss，同时增加了一个判别器的损失项目（判断图片真假）

随后提出了一个VAEGAN的变体，就是判别器的输入有所不同，区别在于判别器的输出为三个类别（生成图像，重构图像，真实图像），这里这么做的目的是为了找出encoder生成的z和从先验分布中sample出来的z细微区别，能让两者更好的拟合。

BiGAN

BiGAN和VAEGAN结构上类似，有几点不同。

 

将VAEGAN中的encoder和decoder拆开，可以看做是两个GAN    encoder和D，decoder和D

看做两个GAN，也就取消了VAE中的kl约束，也就是不显示的添加kl损失的loss项。

这样p(x)通过encoder得到q(z‘)，p(z)通过decoder得到q(x')，将x和z作为一个joint的整体喂给判别器

这样当判别器无法区分时，通过联合概率的角度真实数据和生成的隐变量，以及sample出来的隐变量和生成的数据

p(x,z')和q(x',z)相同，也就是联合概率分布相同，最终使得生成数据与原始数据相同。

可见和VAEGAN的区别，一个是取消了loss，另一个是判别器的输入是x，z而不是单独的x

 

 

 

 

Adversarial learned Inference（对抗学习推断器）
weixin_40680322的博客
09-13 1267
一. 模型结构 生成网络Gx(z)G_x(z)Gx​(z)：将潜在变量的随机样本映射到数据空间； 推断网络Gz(x)G_z(x)Gz​(x)：将数据空间的训练样本映射到潜在变量空间； 判别网络D(x,z)D(x,z)D(x,z)：分辨联合样本（潜在变量和训练样本(x,z)(x,z)(x,z)）是来自生成网络还是推断网络的。 【参考】 ADVERSARIALLY LEARNED INFERENCE 从GAN 到 ALICE 的简单介绍 ...
从GAN 到 ALICE 的简单介绍
m0_37596280的博客
06-27 807
GANGAN由一个判别器和一个生成器组成，GAN的目标是训练一个生成器来获取数据的分布。判别器的训练目标是在真实样本和生成器生成的假样本里识别出真实样本，生成器的训练目标是尽可能地让判别器识别错误，所以GAN的整体目标函数是对交叉熵损失函数进行minmax优化。GAN的具体实现是在每次迭代里同时对生成器和判别器的参数进行梯度优化，而且论文证明了通过这个算法可以让生成器的数据分布收敛于真实样本的分布...
从GAN到ALI(20.11.13)
weixin_46299905的博客
11-13 344
概述 本文介绍Generative adversarial networks(生成对抗网络)和Adversarially Learned Inference（对抗学习推断器，跟GAN训练过程类似，ALI也是在每次迭代中同时更新生成器和判别器的参数）。 一、GAN 假设我们现在的数据集是手写体数字的数据集 minst, 生成模型的输入可以是二维高斯模型中一个随机的向量,生成模型的输出是一张伪造的 fake image,同时通过索引获取数据集中的真实手写数字图片 real image,然后将 fake ima
【每周CV论文推荐】GAN与VAE的结合，有哪些必读的论文？
hacker_long的专栏
09-06 1657
欢迎来到《每周CV论文推荐》。在这个专栏里，还是本着有三AI一贯的原则，专注于让大家能够系统性完成学习，所以我们推荐的文章也必定是同一主题的。VAE和GAN是两类最具有代表性的生成式模型，其中VAE是典型的显式生成模型，GAN是典型的隐式生成模型，两者的结合又可以产生什么样的火花呢，本次我们来介绍其中值得阅读的文章。作者&编辑 | 言有三1 VAE论文基本的GAN模型大家还是比较熟悉的，而...
BigGAN进化出最强形态BigBiGAN：重回表示学习，GAN之父点赞
喜欢打酱油的老鸟
07-11 2248
https://www.toutiao.com/a6711497104482632195/ 【新智元导读】今天，DeepMind的一篇新论文引发学术圈热烈反响——基于最强图像生成器BigGAN，打造了BigBiGAN，在无监督表示学习和图像生成方面均实现了最先进的性能！Ian Goodfellow也称赞“太酷了！” 生成对抗模型GAN最近在图像合成方面取得了引人瞩目的结果。 ...
Counterfactual Generation and Fairness Evaluation Using Adversarially Learned Inference（20.11.13）
weixin_46299905的博客
01-01 479
概述 本文是机器学习领域的文章，[于2020年9月17日提交]，其中文名为《使用对抗性学习推理的反事实生成与公平评估》，应用于图像分类。作者提出了一种产生反事实的方法，通过将一个已知的因果图结构合并到一个对抗性学习推理(ALI)的条件变量中。该方法生成反事实，可以在保持其他属性不变的情况下更改指定的属性及其因果后代。作为一个应用，作者应用从CelebA图像中生成的反事实来评估一个预测人脸吸引力的分类器中的公平偏差。 ...
[Notes] 2018 ALAD：Adversarial Learned Anomaly Detection
jiiiiiaaaa的博客
11-06 1215
[Paper][Code] 本文提出了一种基于双指向性GAN异常检测的方法ALAD，使用对抗学习到的特征的重建误差决定样本是否异常。ALAD建立在确认数据空间和潜在空间的循环一致性损失、稳定的GAN训练上，达到了SOTA。 AnoGAN首先提出了在眼部图像上使用一个标准GAN结构做异常检测的方法，然而在测试阶段，为了找到潜在向量z，该方法需要对每个测试样本解决优化问题，之后通过z计算每个...
CVPR 2018：对抗训练的异常分类器
kiwi_Fung的博客
11-29 2344
Adversarially Learned One-Class Classifier for Novelty Detection code paper 1. Novelty Detection Novelty Detection 字面翻译是新颖性检测。本质上就是发现输入的新的对象/模式，其实就是Anomaly Detection，不同名字而已。发现一些与目标类某些方面存在差异的现象。异常类型总是缺...
C-CPP-pointer-lessons-learned.zip_Lessons Learned
09-24
"C-CPP-pointer-lessons-learned.zip_Lessons Learned"这个压缩包文件显然是为了帮助学习者避免在使用指针时遇到常见错误，从而提高编程技能。其中包含的"C_C++指针经验总结.pdf"很可能是对指针使用技巧和常见陷阱的...
Generative Adversarial Network (GAN) papers (2018.2.4 更新）
omnispace的博客
11-07 6739
AdversarialNetsPapersThe classic about Generative Adversarial NetworksThe First paper [Generative Adversarial Nets] [Paper][Code](the First paper of GAN)Unclassified [Deep Generative Image Models usin...
Kernel_PCA_for_novelty_detection
01-02
Kernel_PCA_for_novelty_detection
第四部分 项目范围管理
热门推荐
女王の专属领地
05-19 1万+
范围：确定要做什么，不要做什么； 项目范围管理：确保项目做且只做成功完成项目所需的全部工作。 范围管理涉及： 产品范围-产出：即一个产品或一项服务应该包含哪些特征和功能 ； 项目范围-过程：即为了交付具有所指特征和功能的产品所必须要做的工作； 范围管理的关键： 预测型生命周期：项目开始对可交付成果定义，对任何范围变化进行渐进管理； 适应型/敏捷新型生命周期：通过多次迭代开发可交付成果，不在每次迭代开始时定义和批准详细的范围；
Adversarially Learned One-Class Classifier for Novelty Detection
fruit的博客
10-12 1778
CVPR-2018 Novelty detection 是识别在某些方面与训练观察（目标类别）不同的观察的过程。实际上，Novelty class 在训练期间通常不存在，采样不良或定义不明确。因此，一类分类器可以有效地模拟这些问题。然而，由于来自 Novelty class 的数据不可用，训练端到端深度网络是一项繁琐的任务。在本文中，受到生成对抗网络在无监督和半监督环境中训练深度模型的成功的启发，...
全新视角：用变分推断统一理解生成模型（VAE、GAN、AAE、ALI）
Paper weekly
07-19 2364
作者丨苏剑林单位丨广州火焰信息科技有限公司研究方向丨NLP，神经网络个人主页丨kexue.fm摘要：本文从一种新的视角阐述了变分推断，并证明了 EM 算法、VAE、GAN...
论文阅读10——《Adversarially regularized joint structured clustering network》
小吴不会敲代码吧
11-23 631
本文分析了文章《Adversarially regularized joint structured clustering network》，作者提出了一种新的对抗正则化联合结构聚类网络(AJSCN)。 为了避免嵌入的自由结构，它被强制遵循一个先验分布。 对于聚类任务，构造了一个联合监督机制，其中包括学习更紧密表示的自我监督和使不同表示趋于一致的相互监督。
Adversarially Occluded Samples for Person Re-identification学习笔记
与贰的博客
07-09 1943
这是我学习ReID系列看的第二篇paper，这是今天做的笔记。首先翻译一下这篇文章的题目，在行人重检测中使用对抗重叠的目标作为样本，读起来可能比较拗口。简单点说就是模拟生成将普通训练的ReID模型中那些不能正常检测出来的特殊的数据（这就是Adversarially Occluded Samples，博客中称之为错误样本），将这些数据放入模型中进行训练，可以提高模型的accuracy。再介绍一下行人...
机器学习 鲁棒的基于高斯概率密度的异常点检测(novelty detection) ellipticalenvelope算法
yihuihe
06-07 4026
异常点检测分为novelty detection 与 outlier detection鲁棒性的高斯概率密度是novelty detection, 就是在给出的数据中, 找出一些与大部分数据偏离较远的异常数据, 我们的训练集不是纯净的, 包含异常点 outlier detection 的训练集是纯净的算法理解这个算法的思想很好理解, 就是求出训练集在空间中的重心, 和方差, 然后根据高斯概率密度估
【阅读笔记】Adversarially Regularized Autoencoders
SrdLaplace的博客
02-26 2248
Adversarially Regularized Autoencoders Kim Y, Zhang K, Rush A M, et al. Adversarially regularized autoencoders[J]. arXiv preprint arXiv:1706.04223, 2017. GitHub: https://github.com/jakezhaojb/ARAE adv...
Adversarially Occluded Samples for Person Re-identification阅读笔记
qq_35226955的博客
08-30 1707
Adversarially Occluded Samples for Person Re-identification Houjing Huang，Dangwei Li ，Zhang Zhang，Xiaotang Chen，Kaiqi Huang 2018 CVPR 1.Motivation 通过引入Adversarially Occluded Samples来扩增训练数据的变化。这些样本不仅...
Learned Stereo Machine
最新发布
03-12
### Learned Stereo Technology in Machine Learning and Computer Vision Learned stereo techniques represent a significant advancement within the field of computer vision, particularly focusing on depth estimation from stereo images. Traditional stereo algorithms rely heavily on hand-crafted features to match corresponding points between two or more camera views. However, learned approaches leverage deep learning models that can automatically learn feature representations directly from raw image data. Deep neural networks have been successfully applied to various tasks including object detection, segmentation, and now also disparity estimation which is crucial for reconstructing 3D scenes from pairs of rectified stereo images. These methods typically involve training convolutional neural networks (CNNs) with large datasets containing labeled ground truth disparities[^1]. One notable work by Wang et al., introduced an unsupervised framework where visual representations are learned without requiring explicit labels through video sequences captured over time [^2]. This approach allows systems not only to understand static spatial relationships but also temporal dynamics present in real-world environments. In practical applications such as video surveillance, edge computing plays a vital role when implementing advanced vision-based solutions like learned stereo matching due to its ability to process data locally at high speeds while minimizing latency issues associated with cloud processing [^3]. Edge devices equipped with powerful GPUs/TPUs enable efficient execution of computationally intensive operations required during inference phases of these sophisticated models. ```python import torch from torchvision import transforms from PIL import Image # Example code snippet showing how one might load pre-trained model weights into PyTorch. model = torch.hub.load('pytorch/vision:v0.10.0', 'deeplabv3_resnet101', pretrained=True) model.eval() preprocess = transforms.Compose([ transforms.ToTensor(), ]) input_image = Image.open("left_stereo_image.jpg") input_tensor = preprocess(input_image) with torch.no_grad(): output = model([input_tensor])[0]['out'][0] print(output.shape) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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