Jaringan Lawan Janaan yang Ditalar Halus
GAN yang Ditalar Halus bermula daripada jaringan lawan janaan pra-latih yang besar dan meneruskan latihan lawan pada set data sasaran yang lebih kecil, membolehkan model mensintesis sampel berkualiti tinggi dalam domain baharu tanpa latihan dari mula. Pendekatan pemindahan ini secara dramatik mengurangkan keperluan data dan pengkomputeran sambil mengekalkan perwakilan ciri kaya yang dipelajari semasa pra-latihan.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Peta kaedah
Kejiranan kaedah berkaitan — pilih satu nod untuk meneroka.
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. 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 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Fine-Tuned Generative Adversarial Network (Domain-Adaptive GAN via Transfer). ScholarGate. https://scholargate.app/ms/deep-learning/fine-tuned-generative-adversarial-network
Kaedah yang mana?
Letakkan kaedah ini di sebelah kaedah yang paling rapat dengannya dan baca secara bersebelahan — perpustakaan menyusun buku di atas meja; pilihan terletak pada anda.
- Fine-Tuned Convolutional Neural NetworkPembelajaran Mendalam↔ banding
- Model Penyesuaian Halus untuk DifusiPembelajaran Mendalam↔ banding
- Autoenkoder Variasi yang Ditalar HalusPembelajaran Mendalam↔ banding
- Fine-Tuned Vision TransformerPembelajaran Mendalam↔ banding
- Rangkaian Generatif AdversarialPembelajaran Mendalam↔ banding
- Transfer Learning GANPembelajaran Mendalam↔ banding
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →