?Aprendiendo a descubrir relaciones entre dominios con redes generativas adversarias.ICML-2017,Cited-742.
?Existe una implementación oficial de código abierto de pytorch en github, búsquela usted mismo, aquí Publicar la dirección no permitirá la publicación, y soy demasiado vago para apelar ~~
?Conversión de dominio, GAN, DiscoGAN, no supervisado, aprendizaje relacional, aprendizaje profundo, aprendizaje automático
?Este artículo contiene una suposición importante: el mapeo entre los dos dominios es reversible
?La tarea es la conversión de dominio no supervisada, es decir, cuando no hay pares de muestras entre dominios que puedan supervisarse para aprendizaje, entre el dominio de origen A y el destino Conversión de imágenes entre el dominio B. DiscoGAN, CycleGAN y DualGAN tienen casi las mismas ideas. Hay ligeras diferencias en la implementación específica y los objetivos de aprendizaje. Se resumen bien en la referencia [2] aquí registramos la estructura de DiscoGAN, los problemas abordados y los experimentos completados. . Además, DiscoGAN mencionó que la idea se basa en un supuesto importante: el mapeo entre dos dominios es reversible.
? Estructura (Fig.2 original), GAN*** compartió parámetros con el mismo color en la Figura c:
? Problema específico (Fig.3 original), 1 a n durante el proceso de conversión. El problema no está completamente resuelto:
? (1) Conjunto de datos de juguetes (Figura 4 original), los puntos en la imagen d están mejor dispersos en la marca "x", lo que indica que no habrá colapso del modo. (los puntos se agrupan):
? (2) Aprendizaje de relaciones de categorías similares (Figura 5 original). La Figura c ilustra una alta correlación en la dirección antes y después de la conversión, es decir, igual o opuesta:
p>
? (3) Conjunto de datos de CelebA (Figura 7 original), la transformación de un solo atributo se realiza en todos los atributos y la Figura d es la transformación para gafas:
(4) Relación bajo una gran diferencia categorías Aprendizaje (Figura 8 original), aprendizaje de la correlación direccional entre diferentes categorías:
(5) La relación entre borde y contenido (Figura 9 original), que puede ser de 1 a n:
[1 ] Kim, Taeksoo, et al. "Aprender a descubrir relaciones entre dominios con redes generativas adversas". Actas de la 34ª Conferencia Internacional sobre Aprendizaje Automático, Volumen 70. JMLR org, 2017.