Přenosové učení GAN
Přenosové učení GAN inicializuje generativní adversariální síť — nebo její generátor i diskriminátor — z vah předtrénovaných na velkém zdrojovém datovém souboru, poté síť doladí na menším cílovém datovém souboru. Tento přístup umožňuje vysoce kvalitní generativní modelování i při nedostatku dat z cílové domény, a to opětovným využitím nízko- a středněúrovňových reprezentací příznaků naučených ve velkém měřítku.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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, 2672–2680. link ↗
- Wang, Y. & Ramanan, D. (2018). Transferring GANs: generating images from limited data. European Conference on Computer Vision (ECCV), 11205, 220–236. DOI: 10.1007/978-3-030-01231-1_14 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Transfer Learning with Generative Adversarial Networks. ScholarGate. https://scholargate.app/cs/deep-learning/transfer-learning-gan
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.
- Doménově adaptivní GANHluboké učení↔ compare
- Dolaďovaná generativní adversariální síťHluboké učení↔ compare
- Generativní adversariální síťHluboké učení↔ compare
- Přenosové učení s konvoluční neuronovou sítíHluboké učení↔ compare
- Přenosové učení s difuzními modelyHluboké učení↔ compare
- Variační autoenkodérHluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →