内容简介：想要释放模型的威力，可以尝试解放其输入的自由度，要知道，婴儿对外界各种形式信息从来都是来着不拒 — David 9如果你没看到过然而要让模型跨类转换图像，就没有那么容易，英伟达&&康奈尔大学使用的
想要释放模型的威力，可以尝试解放其输入的自由度，要知道，婴儿对外界各种形式信息从来都是来着不拒 — David 9
如果你没看到过 老虎坐着 的样子，但是你看到过其他 小动物坐着 的样子，你很自然地联想到老虎坐着应该是什么样子（如上封面图片所示）。
然而要让模型跨类转换图像，就没有那么容易，英伟达&&康奈尔大学使用的 FUNIT模型 的图像生成任务如下：
随意抽取一张 原内容图片（Content image） , 同时给出你想要转换到的 目标类别（Target class） ，最后，需要由模型 把原图片转换成目标类别的独特属性。 如果你有一张小狗的图片，模型可以为你联想这只小狗“进化”成狮子会是什么样？
FUNIT训练框架如下：
模型分3大块： 内容编码器（Content Encoder） , 类别编码器（Class Encoder） 以及 总解码器（Decoder） 。当然，要通过这三个组件构造老套的 GAN训练平衡 ，总的Loss函数如下：
其中3项分别表示 GAN的loss , 图像本身构图的loss , 以及 特征匹配的loss 。
其中,
1. GAN的loss 保证生成器和判别器之间的博弈，即，生成器竭力生成与目标类别相似的图像让判别器无法判断；判别器要竭力区分不同类别图片之间的区别。
2. 图像本身构图的loss保证生成的图像要像原图片的构图，即，转换后的图像要在内容上像转换前的图像（虽然类别性质明显不同）。
3. 特征匹配的loss用来给整个训练加上正则，保证生成的图像用cnn编码的倒数几层的特征值，与目标类别图像cnn倒数几层的特征值相似，即，生成图像与目标类别中的图像也都是相似的。
整个模型的源代码还没有完全公开，大家可以关注： https://github.com/nvlabs/FUNIT/ ，有新进展可以联系David一起讨论成长。
参考文献：
- https://nvlabs.github.io/FUNIT/
- https://arxiv.org/abs/1905.08233
- https://www.youtube.com/watch?v=kgPAqsC8PLM
本文采用 署名 – 非商业性使用 – 禁止演绎 3.0 中国大陆许可协议 进行许可。著作权属于“David 9的博客”原创，如需转载，请联系微信: david9ml，或邮箱：yanchao727@gmail.com
或直接扫二维码:
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持 码农网
猜你喜欢:
- 零基础小白快速打造图像识别模型
- 如何使用注意力模型生成图像描述？
- 如何优化你的图像分类模型效果？
- 【图像分割模型】用BRNN做分割—ReSeg
- 调用 TensorFlow 已训练好的模型做图像识别
- 图像翻译——pix2pix模型
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
Java遗传算法编程
Lee Jacobson、Burak Kanber / 王海鹏 / 人民邮电出版社 / 2016-12-6 / 49元
本书简单、直接地介绍了遗传算法，并且针对所讨论的示例问题，给出了Java代码的算法实现。全书共分灾6章。第1章简单介绍了人工智能和生物进化的知识背景，这也是遗传算法的历史知识背景。第2章给出了一个基本遗传算法的实现；第4章和第5章，分别针对机器人控制器、旅行商问题、排课问题展开分析和讨论，并给出了算法实现。在这些章的末尾，还给出了一些练习供读者深入学习和实践。第6章专门讨论了各种算法的优化问题。 ......一起来看看 《Java遗传算法编程》 这本书的介绍吧!
