Couple GAN论文笔记

最新推荐文章于 2024-03-06 00:39:11 发布
原创 最新推荐文章于 2024-03-06 00:39:11 发布 · 1.7k 阅读 · 3 ·
CC 4.0 BY-SA版权
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。
文章标签：

#paper #GAN #深度学习

这篇论文提出了一种名为CoGAN的网络架构，它能从非配对的图像数据集中学习联合分布，用于图像转换和domain adaptation，无需一对一的图像配对。通过权重共享，CoGAN学习到不同域的高阶语义，并在低阶细节上产生差异，以欺骗辨别器。实验表明，增加生成器中的权重共享有助于改善结果。

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

论文link: https://arxiv.org/abs/1606.07536

儲備知識點：

  • marginal distributions：边缘分布
    • 指的是由两个以上样本空间时，只考虑其中某一事件个别发生概率，称为边缘分布。
  • joint distributions：联合分布
    • 指的是两个以上事件都发生的概率
  • conditional distributions：条件分布
    • 指的是在条件A之下，条件B发生的概率。
  • 我們可能可以知道 marginal distributions，但是無法去推斷其中所包含的 joint distributions，因為其中可能不止含有一種解答。
  • 我们可能可以知道 marginal distributions，但是无法去推断其中所包含的 joint distributions，因为其中有无数种的可能行。

  • 上图中
    • P(A1) = 0.6,P(B2) = 0.4 就是属于 marginal distributions。
    • P(A1 and B1) = 0.5 就是 joint distributions
    • P( B1 | A1) “|” 读作 given = P(A1 and B1) / P(B1) = 0.5 / 0.6，表示车主为蓝领的情况下，购买国产车的概率。

</

最低0.47元/天 解锁文章

200万优质内容无限畅学
Couple Net论文阅读笔记
Arch的博客
08-22 4060
CoupleNet: Coupling Global Structure with Local Parts for Object Detection背景：R-FCN在利用了FCN之后，目标检测的效果仍然十分可观并在速度上有较大提升，比faster r-cnn快2.5-20倍，R-FCN利用的是卷积产生的位敏得分feature map（一个ROI的k*k个位置对每一类均产生一个score map），基
论文阅读-《CoupleNet:Coupling Global Structure with Local Parts for Object Detection》
yj_isee的博客
08-11 4194
中科院nlpr实验室 ICCV20171.Motivation这篇文章主要是在R-FCN的基础上改的。其主要的观点就是R-FCN可以看成是对一个proposal，用一些position-sensitive的weak classifier去做检测，然后把这些classifier的检测结果ensemble起来（position-sensitive RoI pooling），因此作者指出这张方法没有考虑到
CoupleGAN
Forlogenの解忧杂货铺
04-20 1700
论文地址：https://arxiv.org/abs/1606.07536 论文Github：https://github.com/andrewliao11/CoGAN-tensorflow 收录：NIPS2016 这篇文章中，作者提出了另一个的GAN的变种CoGAN，它通过学习多个域（domain）上的联合分布来实现在无配对数据的情况下的风格转换。CoGAN顾名思义是使用了两个GAN。通过一种...
circlegan_CycleGan论文笔记
weixin_39936380的博客
12-21 184
Disco GAN
xxiaozr的博客
10-17 922
从一种模态到另一种模态的变换 通过DiscoGAN来寻找 cross-domain relations 定义一个生成器网络 Gab和一个判别器网络 Db，同理一个生产网络 Gba 和一个判别网络 Da。 每一个生成器都讲一个64*64*3的 image 输入到一对 encoder-decoder 中，输出 64*64*3 ，encoder网络是卷积，decoder 是反卷积 判别器网络和
李宏毅GAN 学习笔记3 -- Unsupervised Conditional Generation
s1nnix的博客
12-11 504
Unsupervised Conditional Generation 无监督的条件GAN网络，简单来说就是给出两堆data（data之间没有任何的关联），machine自己学到怎么从一堆转到另外一堆。 有两种方法，第一种是Direct Transformation，直接进行转换，这种方法适用于input和output的差别比较小，比如说是颜色或者风格上的变化。 具体实现： 第二个是Projection to Common Space，这种方法适用于比较复杂的转换，就不仅仅是简单的改改颜...
[论文笔记03] Review–A Survey of Learning from Noisy Labels
WindyZXY的博客
03-06 1275
在本次调查中，我们将现有的噪声标签学习工作总结为两个主要类别：损失校正和样本选择，并介绍它们的方法、常用的实验设置、数据集和最先进的结果。最后，我们讨论了一个有前途的研究方向，可能对未来的研究有价值。
论文笔记：Offline Reinforcement Learning for Mobile Notifications
2201_75664784的博客
12-11 345
本文提出了用于Mobile Notifications的Offline RL训练和评估框架
Cycle GAN 论文解析
水不在深有江的博客
11-01 1万+
本文中，作者认为在图片转换中，desired output可能代价高昂(例如艺术作品)或者难以被很好的定义(例如下图斑马与马的转换)，因此提出了一个能在匹配的训练样本缺失的情况下，完成捕获一类图片集合特殊特征并将其转化进入另一类图片集合中的方法。可以将其广义地解释为图像转换，例如灰白图像变彩色，图片转化为语义标签，描边图转化为照片等等。 附上开头的效果图： 以及作者对匹配和不匹配的解释： ...
circlegan_CycleGAN：图片风格，想换就换 | ICCV 2017论文解读
weixin_39562234的博客
12-21 352
原标题：CycleGAN：图片风格，想换就换 | ICCV 2017论文解读这是 PaperDaily 的第 51篇文章本期推荐的论文笔记来自 PaperWeekly 社区用户@LUOHAO。本文提出的模型名为 CycleGAN，作者希望在不借助 paired example 情况下，来实现图片的风格转换。关于作者：罗浩，浙江大学博士研究生，研究方向为计算机视觉和深度学习，现为旷视科技(Face+...
Python-TwinGAN使用权重共享GAN进行不成对的跨域图像转换
08-10
Twin-GAN -- Unpaired Cross-Domain Image Translation with Weight-Sharing GANs
【GANs学习笔记】（二十）CoGAN、ComboGAN、XGAN
a312863063的博客
11-01 7879
3. 如何解决BIG TRANSFORMATION &amp;amp;nbsp;&amp;amp;nbsp;&amp;amp;nbsp;&amp;amp;nbsp;&amp;amp;nbsp;&amp;amp;nbsp; 我们前面提到的风格转换都是比较小幅度的风格转换，有的时候我们会需要做非常大的风格转换，譬如把真人照片转成动漫照片。大风格的转换我们容易想到的一个思路是auto-encoder： &amp;amp;nbsp;&amp;a
Domain adaptation 与 Domain generalization
weixin_44736161的博客
01-22 6205
一、Domain adaptation （DA） 1. 基本介绍 1. 什么是domain?: 一堆数据服从相同的分布。 2. Domain adaptation 研究的问题 给了一个training set 这个set可能是由一个或多个domain 构成的，给定的testing set的domain与training set是不同的。利用training有Label 的数据训练模型，使得这个模型在testing数据上也可以使用，并且取得良好的效果。 在经典的机器学习中，当 源域 和 目标域 数据分布不同，
域适应（domain adaptation）
热门推荐
如果想成为中心，那么就到中心去吧。
05-22 3万+
文章目录导读前言域适应类别任务相关性一步域适应技术及其应用基于散度的域适应基于对抗的域适应基于重建的域适应结论 导读 在迁移学习中， 当源域和目标的数据分布不同 ，但两个任务相同时，这种特殊的迁移学习叫做域适应 （Domain Adaptation，DA ）。因为其任务相同，域适应属于一种直推式迁移学习。在计算机视觉中，域适应是一个常见要求，因为带有标注的数据集很容易取得，但是获得的数据集和我们最终应用的数据集来源的域往往是不同的。那么解决这类问题的思路是什么呢？请看 AI 前线翻译的这篇文章，希望能有所启
GAN系列：论文阅读 & 代码阅读——Conditional Generative Adversarial Nets（CGAN / Conditional GAN）
lynlindasy的博客
03-19 2669
这篇论文真的好简短，代码也只用改一点点就可以，非常简单。 论文里提出Conditional GAN的概念有两个motivations： 1. 分类问题中如果类别过多，分类变难 2. 一张图片可能有多种标签，不是一对一的映射 文中称第一个问题为Multimodal，举例Flicker数据集，每张图片可能具有多个语义接近但表现形式不同的标签(也有可能语义不同)。这里涉及到自然语言处理的问题，将...
CoGAN 和 SeGAN
lancerlian的专栏
04-01 6683
CoGAN 和 SeGAN 这篇博文会是我对日常读过的比较有意思的文章的一个小结。更多的像导读/知识点小回顾，没有精力写太多技术细节，若对文章感兴趣，我对每篇文章都会附上arxiv链接，欢迎交流讨论。我的新浪微博：lancerlian 其他的联系方式自己挖掘哈！
模型汇总15 领域适应性Domain Adaptation、One-shot/zero-shot Learning概述
lqfarmer的博客
06-18 3797
几乎所有希望在实际应用中使用机器学习算法的人都会遇到领域适应性（Domain Adaptation）的问题：我们在固定的source domain建立了模型，但希望把我们的模型部署到另外一个或几个不同的target domain中。领域的适应性问题在机器学习实际应用的各个领域都非常常见。 获取最新消息链接：获取最新消息快速通道 - lqfarmer的博客 - 博客频道 - youkuaiyun.com
Domain Adaptation总结（2017.9）
MataFela的博客
09-03 2万+
有一篇论文（[cvpr2017]Joint Geometrical and Statistical Alignment for Visual Domain Adaptation ）对Domain Adaptation做了一定的总结，我直接把我当时的翻译抄一下： 常见的域适应包括基于实例（instance-based）的适应、基于特征表示( feature representation）的适应、
Conditional Generative Adversarial Nets论文翻译
Chaolei3的博客
12-22 4420
摘要： 生成对抗模型介绍了一种新颖的训练生成模型的方式。在这篇论文中我们介绍生成对抗模型加有条件的版本，它的构造可以通过简单的喂数据的方式，y，我们希望在生成器和判别器都能够加条件。我们展示了通过添加类标签，该模型可以产生MNIST手写数字。我们也阐述了如何使用该模型去学习一个多模式的模型，并且提供了一个图像标签应用的初步的例子，在该例子我们证明了这种方法如何产生不是训练标签一部分的描述性的标签。
couple
最新发布
03-18
从理论层面来看，在 Couple GAN 论文中提到的方法论揭示了一种新颖的跨域迁移学习框架[^4]。此方法不仅能够有效提高生成质量，还能够在一定程度上降低参数规模。值得注意的是，尽管增加生成网络内部共享权值的数量有...
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