Публикации по теме 'generative-adversarial'


Внедрение состязательных сетей с глубоким сверточным генератором (DCGAN)
Как я создал новые изображения из случайных данных с помощью DCGAN Состязательные сети с глубокой сверточной генерацией или DCGAN - это «образная версия» наиболее фундаментальной реализации GAN. Эта архитектура по существу использует глубокие сверточные нейронные сети для генерации изображений, принадлежащих заданному распределению, из зашумленных данных с использованием структуры генератора-дискриминатора. Генеративные состязательные сети используют сеть генератора для генерации..
ИГАН
Написано Ричардом Не все, что мы делаем, имеет успех или приводит к демонстрации. iGAN был одной из тех вещей, которые хоть и были успешно построены, но не стали витриной. Я хотел исследовать генеративно-состязательные сети из-за того, что читал обо всех вещах, которые можно сделать с помощью GAN, в частности обо всех поддельных изображениях, которые можно сделать с помощью этой техники. Меня не интересовало подделывание лиц людей, но iGAN показался мне интересным тем, что,..
Синтетические изображения Марса с использованием StyleGAN
Некоторое время назад я увидел несколько спутниковых снимков Марса, которые совершенно поразили меня. Я решил, что хочу использовать эти и некоторые другие изображения для создания синтетических изображений Марса с помощью Generative Adversarial Network (GAN). Я пробовал использовать разные GANS, но в большинстве (всех) попыток сеть всегда рушилась . Однако недавно NVIDIA выпустила реализацию StyleGAN . Поскольку у меня уже есть весь конвейер для увеличения данных, и у..
GAN за пределами красивых картинок: реальная ценность генерации данных (теория и бизнес-приложения)
«Генеративные модели против дискриминационных моделей» 28 февраля 2019 года в Buildo компания Data Science Milan организовала встречу по теме генеративных моделей и тому, как их использовать помимо изображений. «GAN за пределами красивых картинок: реальная ценность генерации данных», Александр Гончар, консультант по искусственному интеллекту Начнем с вопроса, что такое генеративные модели ? Проще говоря, они представляют собой класс неконтролируемых моделей машинного обучения,..
Преобразование исследовательских работ по глубокому обучению в полезный код
Если глубокое обучение - это суперсила, то превращение теорий из бумаги в пригодный для использования код - это сверхдержава. Зачем мне учиться реализовывать исследовательские работы по машинному обучению? Как я уже сказал, возможность преобразовать бумагу в код - определенно сверхдержава, особенно в такой области, как машинное обучение, которое с каждым днем ​​развивается все быстрее и быстрее. Большинство исследовательских работ исходят от людей из гигантских технологических..
Создание реалистичных документов с использованием генерирующих состязательных сетей
Введение За последнее столетие количество цифровых документов, таких как контракты, счета-фактуры и квитанции, выросло в геометрической прогрессии. Традиционно все эти документы обрабатывались вручную, но в последнее время произошел сдвиг в сторону автоматизации обработки с использованием методов искусственного интеллекта (ИИ). Это обеспечивает экономию средств и другие преимущества при решении проблем, связанных с чувствительностью документов, языковыми барьерами и задержками в часовых..
Превращая мир в картины с CycleGAN
Реализация CycleGAN в Keras и Tensorflow 2.0 Предполагается, что у вас уже есть четкое концептуальное представление о том, как работает CycleGAN. Если вы новичок в CycleGAN или нуждаетесь в быстром обновлении, я бы порекомендовал прочитать мою предыдущую статью, в которой подробно рассказывается об интуиции и математике, обеспечивающих CycleGAN, здесь . Весь код из этой статьи будет доступен на моем GitHub здесь . Таким образом, CycleGAN - это метод перевода изображений...