《DeLiGAN : Generative Adversarial Networks for Diverse and Limited Data》论文笔记
来源:互联网 发布:阿里云地域选择 湖北 编辑:程序博客网 时间:2024/04/24 17:13
简介
论文的主要内容是:GAN一般要基于大量数据训练才能抓取到数据多样性,而本文提一种基于少量数据就能训练出能产生多样性结果的GAN模型,并提出了一种衡量多样性 “modified inception score” 。当数据量有限时,通过加大模型的深度提升效果基本不可行,因此增强先验分布多样性来增加多样性是一个可选的方法。DeLiGAN主要通过reparameterise(One-liners method)隐变量空间(Mixture-of-Gaussians, supposed uniform distribute)形成一种混合模型,而本方法可以做为一个“插件”结合到很多 GAN 模型中,模型在 MNIST、CIFAR 10、Freehand Sketches 三个数据集中试验取得了比较好的结果。
创新点
论文的主要贡献有三点:
1.提出了DeLiGAN模型:一个基于GAN网络的,适合数据比较少而且多样的场景下的新颖模型。
2.实验证明了DiLiGAN模型在数据量有限的条件下,能够生成一系列多样化的图片。并且在实验中针对特定形式构建特定模型,最终在手写数字、图像目标和手绘素描场景下得到了结果。
3.为了定量衡量产生的文本内在多样性,论文设计了一种“inception score”的修改版本,这是一种与人为对产生的样本进行评估有联系的测量方法。
总结
论文针对样本较少且差异性比较大的情况,提出增加先验分布的多样性,具体来说,就是将原本G网络输入是单一分布的噪声调整为N种高斯分布的噪声,对模型的训练过程,参数的调整除了对G网络原本参数的调整,也包括了对输入噪声的均值和方差的改变,从而可以让输入模型的数据多样性更强。我的理解是类似于自己造数据,不过数据是随机数据。
- 《DeLiGAN : Generative Adversarial Networks for Diverse and Limited Data》论文笔记
- 每日论文Least Squares Generative Adversarial Networks
- Generative adversarial nets 论文笔记
- GENERATIVE ADVERSARIAL NETWORKS FOR IMAGE STEGANOGRAPHY
- Coupled Generative Adversarial Networks 阅读笔记
- Generative Adversarial Networks: An Overview笔记
- 论文笔记:Precomputed Real-Time Texture Synthesis with Markovian Generative Adversarial Networks
- 论文笔记:unsupervised representation learning with deep convolutional generative adversarial networks
- 论文笔记——UNSUPERVISED REPRESENTATION LEARNING WITH DEEP CONVOLUTIONAL GENERATIVE ADVERSARIAL NETWORKS
- Precomputed Real-Time Texture Synthesis with Markovian Generative Adversarial Networks论文笔记
- Generative Adversarial Nets论文笔记+代码解析
- Conditional Generative Adversarial Nets论文笔记
- Stacked Conditional Generative Adversarial Networks for Jointly Learning Shadow Detection and Shadow
- pytorch-generative-adversarial-networks
- 论文引介 | StackGAN: Stacked Generative Adversarial Networks
- 目标检测“Perceptual Generative Adversarial Networks for Small Object Detection”
- 目标检测“Perceptual Generative Adversarial Networks for Small Object Detection”
- 目标检测“Perceptual Generative Adversarial Networks for Small Object Detection”
- 获取textarea标签中的换行符和空格
- Web 通信 之 长连接、长轮询(long polling)
- Linux内核中双向链表的经典实现
- PAT甲级 1011. World Cup Betting (20)
- libev:详解
- 《DeLiGAN : Generative Adversarial Networks for Diverse and Limited Data》论文笔记
- eclipse:Unknown error: Unable to build: the file dx.jar was not loaded from the SDK folder!
- web集中式高并发架构设计
- nodejs安装electron使用ffi模块调用windows的dll文件
- PC传输图片到Hololens
- windows中navicat如何连接虚拟机中的数据库
- 安装caffe时“The remote end hung up unexpectedly fatal: 过早的文件结束符(EOF)”
- sublim中怎么快捷添加函数的注释
- 智慧云中的FPGA