Finetunet Generativt Adversarialt Netværk
Et finetunet GAN starter fra et stort, forudtrænet generativt adversarialt netværk og fortsætter adversarial træning på et mindre målsæt af data, hvilket gør det muligt for modellen at syntetisere prøver af høj kvalitet i et nyt domæne uden at skulle træne fra bunden. Denne overførselsmetode reducerer dramatisk datamængde- og beregningskrav, samtidig med at de rige trækrepræsentationer, der er lært under forudtræning, bevares.
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
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Fine-Tuned Generative Adversarial Network (Domain-Adaptive GAN via Transfer). ScholarGate. https://scholargate.app/da/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.
- Finetunet Convolutional Neural NetworkDyb læring↔ compare
- Finjusteret diffusionsmodelDyb læring↔ compare
- Finjusteret Variational AutoencoderDyb læring↔ compare
- Finetunet Vision TransformerDyb læring↔ compare
- Generativ modstridende netværkDyb læring↔ compare
- Transfer Learning GANDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →