arXiv (Cornell University)· 2014· Ön baskı
Koşullu Üretken Çekişmeli Ağlar
Conditional Generative Adversarial Nets
- 8.916atıf
- 2014yıl
Kısa özet
Koşullu Üretken Çekişmeli Ağlar (CGAN'lar), koşullu veri (y) hem üreticiye hem de ayırt ediciye beslenerek MNIST rakamlarını sınıf etiketlerine göre koşullandırarak üretebilir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Koşullu Üretken Çekişmeli Ağlar (CGAN'lar) tanıtıldı.
- CGAN'lar, 'y' verisini hem üreticiye hem de ayırt ediciye besleyerek üretimi koşullandırır.
- Sınıf etiketlerine göre koşullandırılmış MNIST rakamlarının üretimi gösterildi.
- Çok modlu modelleme ve görüntü etiketleme potansiyeli sergilendi.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Generative Adversarial Nets [8] were recently introduced as a novel way to train generative models. In this work we introduce the conditional version of generative adversarial nets, which can be constructed by simply feeding the data, y, we wish to condition on to both the generator and discriminator. We show that this model can generate MNIST digits conditioned on class labels. We also illustrate how this model could be used to learn a multi-modal model, and provide preliminary examples of an application to image tagging in which we demonstrate how this approach can generate descriptive tags which are not part of training labels.
Yazarların özeti; kaynağından alınmıştır. arXiv (Cornell University), 2014 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Bilgisayarlı Görü ve Örüntü Tanıma
Computer Vision and Pattern RecognitionComputer Science