Apprentissage par transfert pour les GAN
L'apprentissage par transfert pour les GAN initialise un réseau antagoniste génératif — ou à la fois son générateur et son discriminateur — à partir de poids pré-entraînés sur un grand jeu de données source, puis affine le réseau sur un jeu de données cible plus petit. Cette approche permet une modélisation générative de haute qualité même lorsque les données du domaine cible sont rares, en réutilisant les représentations de caractéristiques de bas et moyen niveau apprises à grande échelle.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Transfer Learning with Generative Adversarial Networks. ScholarGate. https://scholargate.app/fr/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.
- GAN adaptatif au domaineApprentissage profond↔ compare
- Réseau antagoniste génératif finement ajustéApprentissage profond↔ compare
- Réseau antagoniste génératifApprentissage profond↔ compare
- Apprentissage par transfert avec réseau neuronal convolutifApprentissage profond↔ compare
- Apprentissage par transfert avec modèle de diffusionApprentissage profond↔ compare
- Autoencodeur VariationnelApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →