GAN/image/semi-supervised learning等的代码和文章

最新推荐文章于 2024-07-31 03:31:20 发布
转载 最新推荐文章于 2024-07-31 03:31:20 发布 · 582 阅读 · 1
文章标签：

#论文

博客分享了GAN、图像、半监督学习等方面的代码和文章，内容很棒，为信息技术领域相关学习和研究提供了资源。
【水下图像增强】论文精读：Contrastive Semi-supervised Learning for Underwater Image Restoration via Reliable Bank
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
09-28 123
本文提出了一种基于均值教师的半监督水下图像恢复框架Semi-UIR，通过利用未标记数据提升模型性能。针对朴素均值教师方法存在的伪标签不可靠和L1损失导致过拟合问题，该研究引入可靠bank存储最优教师输出作为伪GT，并采用基于单调性属性的NR-IQA方法MUSIIQ评估输出质量。此外，结合对比正则化缓解错误标签过拟合问题。实验表明，该方法在定量和定性评估上均优于现有技术，有效解决了水下图像恢复领域标记数据稀缺的难题。主要贡献包括：1）构建半监督框架利用未标记数据；2）设计可靠bank确保伪标签质量；3）引入对
Semi-Supervised Learning with Generative Adversarial Networks（小白学GAN 七）
fan1102958151的博客
06-02 1232
原文链接：https://arxiv.org/pdf/1606.01583.pdf 简介
半监督学习 MixMatch：A Holistic Approach to Semi-Supervised Learning（核心代码）
poppy
06-07 1903
半监督学习 MixMatch：A Holistic Approach to Semi-Supervised Learning（核心代码）
【论文理解】A Self-supervised GAN for Unsupervised Few-shot Object Recognition
lijianyi0219的博客
09-25 1736
内容概览前言一、研究背景二、核心思想三、论文算法1. 网络结构2. 算法流程3. 实验结果思考 前言 这篇论文于2020.08挂在arxiv上 （点击阅读），作者来自俄勒冈州立大学。本文提出了一种新的自监督少样本学习算法，我认为对无监督少样本学习的研究具有借鉴意义。 本文用于记录对论文算法及核心思想的展示和理解，出现的图片及公式均来自论文原文。 本人也在研究自监督少样本方面，并将实验结果总结在论文Few-Shot Image Classification via Contrastive Self-Sup
【论文解读】Self-Supervised GANs via Auxiliary Rotation Loss
毛毛的博客
11-15 2705
摘要 条件GAN是自然图像合成的前沿。这种模型的主要缺点是需要有标记的数据。在这项工作中，我们利用了两种流行的无监督学习技术，对抗训练和自监督，并朝着弥合条件GAB和无条件GAN之间的差距迈出了一步。特别地，我们允许网络在表现学习任务上进行协作，而与经典的GAN游戏相反。自监督的作用是鼓励鉴别者学习在训练过程中不会遗忘的有意义的特征表示。我们凭经验测试了学习图像表示的质量和合成图像的质量。在同样的条件下，自监督GAN获得了与最先进的条件对应算法相似的性能。最后，我们证明了这种完全无监督学习方法可以扩展到在无
李宏毅机器学习之Semi-supervised Learning
Trony的博客
06-26 824
一、监督学习与半监督学习 在supervised里面，你就是有一大推的training data，这些training data的组成是一个function的input跟output，假设你有R笔train data，每一笔train data有。假设是一张image，是class label。semi-supervised learning是在label上面，是有另外一组unlabel的data，这组data记做,这组data只有input，没有output(U笔data)。在做semi-superis
【自监督GAN】Self-Supervised GANs via Auxiliary Rotation Loss（SS-GAN）
Drug discovery
10-11 2145
【自监督GAN】Self-Supervised GANs via Auxiliary Rotation Loss
第G7周：Semi-Supervised GAN 理论与实战
最新发布
lihuhelihu的博客
07-31 792
在训练的时候，判别器D被用于预测输入是属于 N+1类中的哪一个，这个 N+1 是对应了生成器G的输出，这里的判别器D同时也充当起了分类器C的效果。在学习GAN的时候有没有想过这样一个问题呢，如果我们生成的图像是带有标签的，例如数字 0 ~ 9，那为什么要鉴别器判断输入图像为真假，而不直接判断图像是 0 ~ 9 中的哪一个数字呢，这样的鉴别效果不是更好吗？从代码的输出结果可知，训练出来的acc在50%上下浮动，最高也才75%，而损失则是比较低，要提高acc就要调试下相关参数，就是配置代码那部分。
论文解读《Semi-supervised Contrastive Learning for Label-efficient Medical Image Segmentation》
weixin_37591159的博客
03-31 4661
论文解读《半监督对比学习高效标签的医学图像分割》 期刊名： MICCAI 2021 代码： 代码地址 论文地址： 论文地址 摘要：深度学习方法在医学图像分割分割任务中的成功与否，很大程度上依赖于大量标注数据的监督训练。另一方面，生物医学l图像的注释需要领域知识，可能很费力。近年来，对比学习在学习图像的潜在表征方面表现出了巨大的潜力。现有的工作已经探索了它在生物医学图像分割中的应用，其中只有一小部分数据被标记，通过基于自我监督对比学习的训练前阶段，不使用任何标签，然后只对标记的部分数据进行监督微调阶段。 在
《Semi-Supervised Learning with Generative Adversarial Networks》 论文阅读
I good vegetable a!
05-27 723
论文地址 https://arxiv.org/pdf/1606.01583.pdf 摘要 \quad无论是在GAN还是DCGAN中，我们鉴别器Discriminator输出的都是一个概率变量(float)，代表输入到鉴别器的图片是真的还是假的，SGAN通过使判别器网络输出类别标签将GAN扩展为半监督的。在一个N个类别的数据集上训练生成模型G和判别模型D。训练时，D预测输入数据属于N个类别中的哪一类...
半监督学习（semi-supervised learning）
01-02 3378
自 P(x) 生成的无标签样本； 自 P(x,y) 生成的标记样本；
李宏毅深度学习--《Semi-supervised Learning》
GuoShao_的博客
09-02 914
学习笔记
长文总结半监督学习（Semi-Supervised Learning）
Paper weekly
09-16 6621
©PaperWeekly 原创 ·作者｜燕皖单位｜渊亭科技研究方向｜计算机视觉、CNN在现实生活中，无标签的数据易于获取，而有标签的数据收集起来通常很困难，标注也耗时和耗力。在这种情况...
手把手教你用GAN实现半监督学习
热门推荐
Double_V的博客
11-14 4万+
引言 本文主要介绍如何在tensorflow上仅使用200个带标签的mnist图像，实现在一万张测试图片上99%的测试精度，原理在于使用GAN做半监督学习。前文主要介绍一些原理部分，后文详细介绍代码及其实现原理。前文介绍比较简单，有基础的同学请掠过直接看第二部分，文章末尾给出了代码GitHub链接。对GAN不了解的同学可以查看微信公众号：机器学习算法全栈工程师 的GAN入门文章。 本博客中的代...
文献阅读——Revisiting Semi-Supervised Learning with Graph Embeddings
hei653779919的博客
06-17 1817
文献阅读——Revisiting Semi-Supervised Learning with Graph Embeddings 1 Introduction 半监督学习的目标是利用未标记的数据来改善模型的效果。大量半监督的学习算法共同优化利用已标记数据的监督学习损失和利用已标记数据和未标记数据的半监督学习的两个训练的目标函数。基于图的半监督学习定义了一个对于已标记数据和一个图的拉普拉斯正则化项的损失函数。其中图的拉普拉斯正则化项是一个基于周围节点假设：其假设图中相邻的节点之间拥有相同的标签结构。因为其通过图
【人工智能图像补全复现】基于GAN的图像补全
weixin_52326113的博客
11-29 6693
本文解析和实现论文Globally and Locally Consistent Image Completion中的相关方法。论文亮点在于使用全局（整张图片）和局部（缺失补全部分）两种鉴别器来训练，并运用GAN使生成图像在各个尺度的特征与真实图像匹配。关键词：GAN；图像补全；多种鉴别器训练。
挖坑:UNSUPERVISED AND SEMI-SUPERVISED LEARNING WITH CATEGORICAL GENERATIVE ADVERSARIAL NETWORKS
jsliuqun的博客
02-18 3708
Unsupervised and Semi-supervised Learning with Categorical Generative Adversarial Networks
GAN在Image To Image translation 和Inverse Problem中的应用
omnispace的博客
09-02 1145
上次遗留的Generative adversarial network的应用篇。顺便说一句，矩阵分析老师是垃圾 原文地址：https://zhuanlan.zhihu.com/p/27987845
A Study of Reinforcement Learning for Neural Machine Translation笔记
想写就写咯
12-28 1471
文章目录前言OverviewBackground 前言 刚刚开始研究这些，发现有的论文给的代码我跑不了，光看论文确实感觉很飘，就是你知道他什么意思，但是没有动手实现的话也就是浮于表面。我现在确实有点迷茫，一个是代码跑不通，每个人环境还不全一样，有的用theano，有的tensorflow，代码我看起来有点费劲，但我觉得又不能在还没搞清楚思路前就花太多时间在编代码上，但纯粹读论文又不踏实，我也很容易...
DSL: Dense Learning based Semi-Supervised Object Detection代码复现教程
05-31
很高兴回答您的问题！以下是DSL: Dense Learning based Semi-Supervised Object Detection代码复现教程的步骤： 1. 准备数据集 首先，您需要下载PASCAL VOC数据集，并在您的计算机上设置相应的路径。您可以在以下链接中找到数据集：http://host.robots.ox.ac.uk/pascal/VOC/ 2. 安装依赖项 您需要安装以下依赖项： - PyTorch - Torchvision - PIL - NumPy 您可以使用pip来安装它们： ``` pip install torch torchvision Pillow numpy ``` 3. 下载代码 您需要从GitHub上下载DSL代码。您可以使用以下命令： ``` git clone https://github.com/youansheng/DSL.git ``` 4. 训练模型 运行train.py文件以训练模型。您需要指定一些参数，例如数据集路径、批量大小、学习率等。以下是一个示例命令： ``` python train.py --dataset_path /path/to/dataset --batch_size 16 --lr 0.001 ``` 5. 测试模型 运行test.py文件以测试已训练的模型。您需要指定一些参数，例如数据集路径、批量大小等。以下是一个示例命令： ``` python test.py --dataset_path /path/to/dataset --batch_size 16 ``` 6. 可视化结果 您可以使用visualize.py文件来可视化测试结果。以下是一个示例命令： ``` python visualize.py --dataset_path /path/to/dataset --batch_size 16 ``` 这些就是DSL代码复现教程的步骤。希望对您有所帮助！
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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