Finjustert generativt antagonistisk nettverk
Et finjustert GAN starter med et stort forhåndstrent generativt antagonistisk nettverk og fortsetter den antagonistiske treningen på et mindre måldatasett, noe som gjør at modellen kan syntetisere prøver av høy kvalitet i et nytt domene uten å trene fra bunnen av. Denne overføringstilnærmingen reduserer dramatisk data- og beregningskrav samtidig som de rike funksjonsrepresentasjonene som er lært under forhåndstreningen, bevares.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
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. 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Fine-Tuned Generative Adversarial Network (Domain-Adaptive GAN via Transfer). ScholarGate. https://scholargate.app/no/deep-learning/fine-tuned-generative-adversarial-network
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.
- Finetunet konvolusjonelt nevralt nettverkDyp læring↔ compare
- Finjustert diffusjonsmodellDyp læring↔ compare
- Finjustert VariasjonsautoenkoderDyp læring↔ compare
- Finjustert Vision TransformerDyp læring↔ compare
- Generativt motsetningsnettverkDyp læring↔ compare
- Transfer Learning GANDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →