IC-GAN: генерация синтетических изображений без обучения отдельным объектам |
||
МЕНЮ Главная страница Поиск Регистрация на сайте Помощь проекту Архив новостей ТЕМЫ Новости ИИ Голосовой помощник Разработка ИИГородские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Искусственный интеллект Слежка за людьми Угроза ИИ ИИ теория Внедрение ИИКомпьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Нейронные сети начинающим Психология ИИ Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Творчество ИИ Техническое зрение Чат-боты Авторизация |
2021-09-26 02:40 IC-GAN — набор моделей FAIR для генерации изображений, объекты и сцены на которых отсутствовали в обучающем датасете. IC-GAN можно использовать для аугментации данных. Генеративно-состязательные сети (GAN) — хорошо зарекомендовавший себя метод создания как фотореалистичных, так и абстрактных изображений. Однако на сегодняшний день эти модели имеют важное ограничение: обычно они могут генерировать изображения только тех объектов или сцен, которые изначально присутствовали в обучающем датасете. IC-GAN решает эту задачу, позволяя, например, создать изображение с верблюдами, окруженными снегом, или с зеброй в городской среде. IC-GAN может использоваться как с аннотированными, так и с неаннотированными датасетами. Это расширяет рамки GAN для моделирования смеси локальных и перекрывающихся кластеров данных. IC-GAN может взять одно изображение, а затем сгенерировать изображения, похожие на ближайших соседей экземпляра в наборе данных. Ближайшие соседи используются в качестве входных данных для дискриминатора, чтобы заставить генератор создавать выборки, аналогичные выборкам окрестностей каждого входного изображения. IC-GAN можно использовать для аугментации данных и включения элементов или объектов, которые обычно не встречаются в обучающих данных. IC-GAN может генерировать более разнообразные обучающие данные для моделей распознавания объектов. Например, традиционные модели GAN не смогут генерировать изображения зебр в городской среде, поскольку их обучающие данные, скорее всего, будут содержать только изображения зебр в дикой природе. Источник: neurohive.io Комментарии: |
|