CVPR 2018之迁移学习解读（二）： Partial Transfer Learning with Selective Adversarial Networks
简述： 当前，目标迁移任务中的生成对抗网络GAN的核心目的是在于它的生成器G，而至于为什么存在判别器D，主要是为了引入对抗训练，通过对抗训练的方式让生成器能够生成高质量的图片。本文是基于GAN网络的一种具体案例的延伸。 作者认为，在大数据时代，通常我们会有大量的源域数据。这些源域数据比目标域数据，在类别上通常都是丰富的。比如基于 ImageNet 训练的图像分类器，必然是针对几千个类别进行的分类。
相关文章
- 1. Partial Transfer Learning with Selective Adversarial Networks
- 2. 迁移学习“Partial Transfer Learning with Selective Adversarial Networks”
- 3. 迁移学习 Transfer Learning
- 4. 迁移学习（Transfer Learning）
- 5. 迁移学习(Transfer Learning)
- 6. 迁移学习Transfer Learning
- 7. 迁移学习 (Transfer Learning)
- 8. 迁移学习概述(Transfer Learning)
- 9. 迁移学习 transfer learning
- 10. 迁移学习（ Transfer Learning ）
- 更多相关文章...
- • ASP Transfer 方法 - ASP 教程
- • 您已经学习了 XML Schema，下一步学习什么呢？ - XML Schema 教程
- • Kotlin学习（二）基本类型
- • Tomcat学习笔记（史上最全tomcat学习笔记）
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
欢迎关注本站公众号,获取更多信息
相关文章
- 1. Partial Transfer Learning with Selective Adversarial Networks
- 2. 迁移学习“Partial Transfer Learning with Selective Adversarial Networks”
- 3. 迁移学习 Transfer Learning
- 4. 迁移学习（Transfer Learning）
- 5. 迁移学习(Transfer Learning)
- 6. 迁移学习Transfer Learning
- 7. 迁移学习 (Transfer Learning)
- 8. 迁移学习概述(Transfer Learning)
- 9. 迁移学习 transfer learning
- 10. 迁移学习（ Transfer Learning ）