GAN Pembelajaran Transfer
Transfer Learning GAN menginisialisasi Jaringan Adversarial Generatif — atau generator dan diskriminatornya — dari bobot yang telah dilatih sebelumnya pada kumpulan data sumber yang besar, kemudian menyempurnakan jaringan pada kumpulan data target yang lebih kecil. Pendekatan ini memungkinkan pemodelan generatif berkualitas tinggi bahkan ketika data domain target langka, dengan menggunakan kembali representasi fitur tingkat rendah dan menengah yang dipelajari dalam skala besar.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Transfer Learning with Generative Adversarial Networks. ScholarGate. https://scholargate.app/id/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 Adaptif DomainPembelajaran Mendalam↔ compare
- Jaringan Adverarial Generatif yang Disesuaikan HalusPembelajaran Mendalam↔ compare
- Jaringan Adversarial GeneratifPembelajaran Mendalam↔ compare
- Transfer Learning dengan Convolutional Neural NetworkPembelajaran Mendalam↔ compare
- Transfer Learning dengan Model DifusiPembelajaran Mendalam↔ compare
- Variational AutoencoderPembelajaran Mendalam↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →