Transfer Learning GAN
Transfer Learning GAN ініціалізує генеративно-змагальну мережу — або обидва її генератор та дискримінатор — з ваг, попередньо навчених на великому вихідному наборі даних, а потім доналаштовує мережу на меншому цільовому наборі даних. Цей підхід дозволяє високоякісне генеративне моделювання, навіть коли даних цільової області бракує, шляхом повторного використання низькорівневих та середньорівневих представлень ознак, вивчених у великому масштабі.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- 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 ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 3). Transfer Learning with Generative Adversarial Networks. ScholarGate. https://scholargate.app/uk/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.
- ГАН з адаптацією до доменуГлибоке навчання↔ compare
- Тонко налаштована генеративно-змагальна мережаГлибоке навчання↔ compare
- Генеративно-змагальна мережаГлибоке навчання↔ compare
- Трансферне навчання зі згортковою нейронною мережеюГлибоке навчання↔ compare
- Трансферне навчання з дифузійними моделямиГлибоке навчання↔ compare
- Варіаційний автокодувальникГлибоке навчання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →