Transfer Learning GAN
Transfer Learning GAN initialiserer et Generative Adversarial Network — eller både dets generator og diskriminator — fra vekter forhåndstrent på et stort kildedatasett, og finjusterer deretter nettverket på et mindre måldatasett. Denne tilnærmingen tillater generativ modellering av høy kvalitet selv når data fra måldomenet er knappe, ved å gjenbruke lav- og mellomnivå-funksjonsrepresentasjoner lært i stor skala.
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, 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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Transfer Learning with Generative Adversarial Networks. ScholarGate. https://scholargate.app/no/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.
- Domene-adaptiv GANDyp læring↔ compare
- Finjustert generativt antagonistisk nettverkDyp læring↔ compare
- Generativt motsetningsnettverkDyp læring↔ compare
- Overføringslæring med konvolusjonelt nevralt nettverkDyp læring↔ compare
- Overføringslæring med diffusjonsmodellerDyp læring↔ compare
- VariasjonsautoenkoderDyp læring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →