Фино настроена генеративна състезателна мрежа
Фино настроена GAN започва от голяма предварително обучена генеративна състезателна мрежа и продължава състезателно обучение върху по-малък целеви набор от данни, което позволява на модела да синтезира висококачествени образци в нова област, без да се обучава от нулата. Този трансферен подход драстично намалява изискванията за данни и изчислителна мощ, като същевременно запазва богатите представяния на признаци, научени по време на предварителното обучение.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y. (2014). Generative Adversarial Nets. Advances in Neural Information Processing Systems (NeurIPS), 27. link ↗
- Mo, S., Cho, M., & Shin, J. (2020). Freeze the Discriminator: a Simple Baseline for Fine-Tuning GANs. CVPR 2020 Workshop on AI for Content Creation. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Fine-Tuned Generative Adversarial Network (Domain-Adaptive GAN via Transfer). ScholarGate. https://scholargate.app/bg/deep-learning/fine-tuned-generative-adversarial-network
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Фина настройка на конволюционна невронна мрежаДълбоко обучение↔ compare
- Фино настроен дифузионен моделДълбоко обучение↔ compare
- Фино настроен вариационен автоенкодерДълбоко обучение↔ compare
- Фино настроен Vision TransformerДълбоко обучение↔ compare
- Генеративна състезателна мрежаДълбоко обучение↔ compare
- Генеративни състезателни мрежи с трансферно обучение (Transfer Learning GAN)Дълбоко обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →