GAN Adaptasi Domain
GAN Adaptasi Domain menggabungkan pembelajaran generatif adversarial dengan adaptasi domain untuk menjembatani jurang pengedaran antara domain sumber berlabel dan domain sasaran yang tidak berlabel atau berlabel jarang. Dengan melatih penjana dan pembeza secara adversarial, model mempelajari perwakilan yang kalis domain atau sampel terjemahan, membolehkan pengelas atau pengesan yang dilatih pada data sumber untuk digeneralisasikan secara berkesan ke domain sasaran tanpa memerlukan label sasaran yang banyak.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Domain-Adaptive Generative Adversarial Network. ScholarGate. https://scholargate.app/ms/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.
- Convolutional Neural Network Adaptif DomainPembelajaran Mendalam↔ compare
- Transformer Penglihatan Adaptif DomainPembelajaran Mendalam↔ compare
- Jaringan Lawan Janaan yang Ditalar HalusPembelajaran Mendalam↔ compare
- Rangkaian Generatif AdversarialPembelajaran Mendalam↔ compare
- Semi-supervised GANPembelajaran Mendalam↔ compare
- Transfer Learning GANPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →