starGAN代码分析
#参数设置import sys sys.path.append("/home/hxj/anaconda3/lib/python3.6/site-packages") from torchvisi ...
原文：StarGAN论文及代码理解
StarGAN的引入是为了解决多领域间的转换问题的，之前的CycleGAN等只能解决两个领域之间的转换，那么对于含有C个领域转换而言，需要学习C C 个模型，但StarGAN仅需要学习一个，而且效果很棒，如下： 创新点：为了实现可转换到多个领域，StarGAN加入了一个域的控制信息，类似于CGAN的形式。在网络结构设计上，鉴别器不仅仅需要学习鉴别样本是否真实，还需要对真实图片判断来自哪个域。 整个 ...
2018-10-14 09:51 4 10682 推荐指数：
相关推荐
avod论文理解与代码解读
AVOD 论文理解与代码解读 论文简析 概述 网络结构 BEV map 特征提取 rpn 网络 特征融合 第二阶段检测网络 box 编码 方向确定 代码解读 ...
PointNet++论文理解和代码分析
PointNet网络深度学习在点云处理上的先驱，这个团队又提出了PointNet++模型。以下是我学习之余的总结，一是理清自己的思路，二是于无意看到这篇博文的您一起学习。 一、PointNet的问题 ...
PointNet论文理解和代码分析（详解）
简介 3D展示有以下几种常见情况： multi-view images(多视角的图片)+2D CNN：图片表示3D数据存在失真。 vulmetric data（3D体素）+3D CNN： ...
《StarGAN: Unified Generative Adversarial Networks for Multi-Domain Image-to-Image Translation》论文笔记
---恢复内容开始--- Motivation 使用单组的生成器G和判别训练图片在多个不同的图片域中进行转换 效果确实很逆天，难怪连Good Fellow都亲手给本文点赞 Introduc ...
StarGAN: Unified Generative Adversarial Networks for Multi-Domain Image-to-Image Translation - 1 - 多个域间的图像翻译论文学习
Abstract 最近在两个领域上的图像翻译研究取得了显著的成果。但是在处理多于两个领域的问题上，现存的方法在尺度和鲁棒性上还是有所欠缺，因为需要为每个图像域对单独训练不同的模型。为了解决该问题，我们提出了StarGAN方法 ...
RetinaNet论文理解
引言 介绍 目前精度高的检测器都是基于two-stage，proposal-driven机制，第一阶段生成稀疏的候选对象位置集，第二阶段使用CNN进一步将每个候选位置分为前景或者背景以及 ...
DeconvNet 论文阅读理解
学习语义分割反卷积网络DeconvNet 一点想法：反卷积网络就是基于FCN改进了上采样层，用到了反池化和反卷积操作，参数量2亿多，非常大，segnet把两个全连接层去掉，效果也能很好，显著减少了参 ...