Domæneadaptiv GAN
En domæneadaptiv GAN (Generative Adversarial Network) kombinerer generativ adversariel læring med domæneadaptation for at bygge bro over distributionsgabet mellem et mærket kildedomæne og et umærket eller sparsomt mærket måldomæne. Ved at træne en generator og diskriminator adversarielt lærer modellen domæneinvariante repræsentationer eller oversatte prøver, hvilket gør det muligt for en klassifikator eller detektor, der er trænet på kildedata, at generalisere effektivt til måldomænet uden at kræve rigelige målmærkater.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Ganin, Y., Ustunova, E., Ajakan, H., Germain, P., Larochelle, H., Laviolette, F., Marchand, M., & Lempitsky, V. (2016). Domain-adversarial training of neural networks. Journal of Machine Learning Research, 17(59), 1–35. link ↗
- Zhu, J.-Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired image-to-image translation using cycle-consistent adversarial networks. Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2223–2232. DOI: 10.1109/ICCV.2017.244 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Domain-Adaptive Generative Adversarial Network. ScholarGate. https://scholargate.app/da/deep-learning/domain-adaptive-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.
- Domæne-adaptivt Konvolutionelt Neuralt NetværkDyb læring↔ compare
- Domæne-adaptiv Vision TransformerDyb læring↔ compare
- Finetunet Generativt Adversarialt NetværkDyb læring↔ compare
- Generativ modstridende netværkDyb læring↔ compare
- Semi-supervised GANDyb læring↔ compare
- Transfer Learning GANDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →