Transfer Learning GAN
Transfer Learning GAN initialiserer et Generativt Adversarialt Netværk — eller dets generator og diskriminator — fra vægte, der er fortrænet på et stort kildedatasæt, og finjusterer derefter netværket på et mindre måltilsvarende datasæt. Denne tilgang muliggør generativ modellering af høj kvalitet, selv når data fra måldomænet er knappe, ved at genbruge lav- og mellemniveau-trækrepræsentationer lært i stor skala.
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, 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Transfer Learning with Generative Adversarial Networks. ScholarGate. https://scholargate.app/da/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.
- Domæneadaptiv GANDyb læring↔ compare
- Finetunet Generativt Adversarialt NetværkDyb læring↔ compare
- Generativ modstridende netværkDyb læring↔ compare
- Transferlæring med konvolutionelle neurale netværkDyb læring↔ compare
- Transfer Learning med DiffusionsmodelDyb læring↔ compare
- Variational AutoencoderDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →