技术

 2018-12-07  272

GAN实现数据的从无到有是通过随机噪声z作为输入,在生成对抗下实现逼真数据的生成。这个过程是从全局的角度上直接生成数据样本, 很难分析具体的z对生成带来的影响。我们只知道在随机噪声z的作用下生成的数据样本和真实数据样本在分布上是随着网络的优化而逐渐相近的。为了进一步刻画数据的几何特性和数据样本的流形。 由齐国君团队在2018 CVPR上发表的Localized GAN通过局部坐标系来参数化不同位置的数据变换的局部几何, 缓解了GAN生成多样性不足的同时,还实现了在半监督分类的优化。

Read More
技术

 2018-12-04  563

2014年5月GAN诞生了,这篇文章中并没有出现Adversarial Trainin这个词,而对抗训练(Adversarial Training) 是在2014年10月被提出。虽然Adversarial Training是在GAN之后被提出,但是这两篇文章都是由Goodfellow创作,而且具体来说Adversarial Training 是包含GAN的。Goodfellow解释为训练一个GAN涉及训练对抗样本的分类器,其中分类器是判别器,对抗样例来自发生器。可以将GAN训练看作是更普遍的对抗训练类别的特例, 在对抗训练下还有很多改进的方案,其中比较知名的是VAT(Virtual Adversarial Training:A Regularization Method for Supervised and Semi-Supervised Learning)简称为虚拟对抗训练, 本文将对VAT作进一步解读。

Read More
技术

 2018-11-26  140

这段时间一直忙着实验室的一些事,更新有点停滞,接下来一段时间我想把视听觉结合的这方面文章做一下梳理,感兴趣的小伙伴可以持续关注。 视觉和听觉是紧密结合的,这两者可以说是同时产生的,确定一件事情是真的发生时,多模态信息之间结合确认是很有必要的,这也是人类和大多数动物所掌握的技能。 如何让机器像人一样利用视觉和听觉的融合特征去判断一件事物和识别一些物体是《Look,Listen and Learn》 一文的目的。文章简称《Look,Listen and Learn》的方法为$L^3-Net$,接下来的描述中也保持这一简称。

Read More
技术

 2018-11-06  444

生成对抗网络中判别器在二分类游戏上表现了强大的区分能力,RSGAN使用相对判别器将真假样本混合利用 “图灵测试”的思想削弱了判别器的能力,T-GANs将RSGAN一般化到其它GAN模型下,判别器得到限制在整体上平衡了生成器和判别器, 可以使GAN训练上更加稳定。VDB通过对判别器加上互信息瓶颈限制判别器的能力。

Read More
技术

 2018-10-31  453

诗歌讲究句式、格调、语言含义等一系列规则,一首好的诗歌会给人以强烈的画面感,在视觉和心灵上引发读者的共鸣。让机器去创造诗歌,这可能会令很多文人嗤之以鼻, 他们肯定会认为让一个没有任何感情的机器如何去创作诗歌。话虽如此,但是机器的一个最大的优势就是知识量渊博,茫茫的诗歌库对于机器可能只要几天就能掌握, 书到用时方恨少,现在已经掌握了庞大数量的书去创造诗歌,结果如何呢?

Read More

subscribe via RSS

取消

感谢您的支持,我会继续努力的!

扫码支持
扫码打赏一下,你说多少就多少

打开微信扫一扫,即可进行扫码打赏哦