เครือข่ายปฏิปักษ์เชิงกำเนิดที่ปรับละเอียดแล้ว
GAN ที่ปรับละเอียดแล้วจะเริ่มต้นจากเครือข่ายปฏิปักษ์เชิงกำเนิดขนาดใหญ่ที่ได้รับการฝึกฝนล่วงหน้า และดำเนินการฝึกฝนแบบปฏิปักษ์ต่อบนชุดข้อมูลเป้าหมายที่เล็กกว่า ทำให้โมเดลสามารถสังเคราะห์ตัวอย่างคุณภาพสูงในโดเมนใหม่ได้โดยไม่ต้องฝึกฝนตั้งแต่ต้น วิธีการถ่ายโอนนี้ช่วยลดความต้องการข้อมูลและทรัพยากรคอมพิวเตอร์ได้อย่างมาก ในขณะที่ยังคงรักษาการแสดงคุณลักษณะที่หลากหลายซึ่งได้เรียนรู้ระหว่างการฝึกฝนล่วงหน้า
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Fine-Tuned Generative Adversarial Network (Domain-Adaptive GAN via Transfer). ScholarGate. https://scholargate.app/th/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.
- Fine-Tuned Convolutional Neural Networkการเรียนรู้เชิงลึก↔ compare
- โมเดลการแพร่กระจายที่ปรับละเอียดการเรียนรู้เชิงลึก↔ compare
- ตัวเข้ารหัสอัตโนมัติแบบแปรผันที่ปรับจูนอย่างละเอียดการเรียนรู้เชิงลึก↔ compare
- วิชันทรานส์ฟอร์มเมอร์ที่ปรับละเอียดการเรียนรู้เชิงลึก↔ compare
- โครงข่ายปฏิปักษ์เชิงกำเนิดการเรียนรู้เชิงลึก↔ compare
- Transfer Learning GANการเรียนรู้เชิงลึก↔ compare