Transfer Learning GAN
Transfer Learning GAN initialiserar ett Generative Adversarial Network — eller både dess generator och diskriminator — från vikter som förtränats på en stor källdatauppsättning, och finjusterar sedan nätverket på en mindre måldatauppsättning. Detta tillvägagångssätt möjliggör generativ modellering av hög kvalitet även när data från måldomänen är knappa, genom att återanvända låg- och mellannivåfunktionrepresentationer som lärts i stor skala.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Transfer Learning with Generative Adversarial Networks. ScholarGate. https://scholargate.app/sv/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.
- Domänadaptiv GANDjupinlärning↔ compare
- Finjusterat generativt adversariellt nätverkDjupinlärning↔ compare
- Generativt antagonistiskt nätverkDjupinlärning↔ compare
- Överföringsinlärning med faltningsneurala nätverkDjupinlärning↔ compare
- Transferinlärning med diffusionsmodellerDjupinlärning↔ compare
- Variational AutoencoderDjupinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →