训练GANs的技巧
参考链接:[http://papers.nips.cc/paper/6124-improved-techniques-for-training-gans.pdf]
2. Energy-Based GANs 以及Yann Le Cun 的相关研究
参考链接:[http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf]
3. 模式正则化GAN
参考链接:[https://arxiv.org/pdf/1612.02136.pdf]
4. 最新NIPS2016也有最新的关于训练GAN模型的总结
参考链接:[https://github.com/soumith/ganhacks]
5. The GAN Zoo千奇百怪的生成对抗网络,都在这里了。你没看错,里面已经有有近百个了。
参考链接: [https://github.com/hindupuravinash/the-gan-zoo]
1.中科院自动化所 中文综述 《生成式对抗网络 GAN 的研究进展与展望》
参考链接:[https://pan.baidu.com/s/1dEMITo9] 密码: qqcc
NIPS 2016教程:生成对抗网络
参考链接:[https://arxiv.org/pdf/1701.00160.pdf]
2. 训练GANs的技巧和窍门
参考链接:[https://github.com/soumith/ganhacks]
3. OpenAI生成模型
参考链接:[https://blog.openai.com/generative-models/]
4. 用Keras实现MNIST生成对抗模型
参考链接:[https://oshearesearch.com/index.PHP/2016/07/01/mnist-generative-adversarial-model-in-keras/]
5. 用深度学习TensorFlow实现图像修复
参考链接:[http://bamos.github.io/2016/08/09/deep-completion/]
1.生成对抗网络初学入门:一文读懂GAN的基本原理
[http://www.xtecher.com/Xfeature/view?aid=7496]
2.深入浅出:GAN原理与应用入门介绍
[https://zhuanlan.zhihu.com/p/28731033]
3.港理工在读博士李嫣然深入浅出GAN之应用篇
参考链接:链接: [https://pan.baidu.com/s/1o8n4UDk] 密码: 78wt
4.萌物生成器:如何使用四种GAN制造猫图
参考链接:[https://zhuanlan.zhihu.com/p/27769807]
5.GAN学习指南:从原理入门到制作生成Demo
参考链接:[https://zhuanlan.zhihu.com/p/24767059x]
6.生成式对抗网络GAN研究进展
参考链接:[http://blog.csdn.net/solomon1558/article/details/52537114]
7.生成对抗网络(GAN)的前沿进展(论文、报告、框架和Github资源)汇总
参考链接:[http://blog.csdn.net/love666666shen/article/details/74953970]
深度卷积生成对抗模型(DCGAN)
参考链接:[https://github.com/Newmu/dcgan_code]
2. TensorFlow实现深度卷积生成对抗模型(DCGAN)
参考链接:[https://github.com/carpedm20/DCGAN-tensorflow]
3. Torch实现深度卷积生成对抗模型(DCGAN)
参考链接:[https://github.com/soumith/dcgan.torch]
4. Keras实现深度卷积生成对抗模型(DCGAN)
参考链接:[https://github.com/jacobgil/keras-dcgan]
5. 使用神经网络生成自然图像(Facebook的Eyescream项目)
参考链接:[https://github.com/facebook/eyescream]
6. 对抗自编码(AdversarialAutoEncoder)
参考链接:[https://github.com/musyoku/adversarial-autoencoder]
7. 利用ThoughtVectors 实现文本到图像的合成
参考链接:[https://github.com/paarthneekhara/text-to-image]
8. 对抗样本生成器(Adversarialexample generator)
参考链接:[https://github.com/e-lab/torch-toolbox/tree/master/Adversarial]
9. 深度生成模型的半监督学习
参考链接:[https://github.com/dpkingma/nips14-ssl]
10. GANs的训练方法
参考链接:[https://github.com/openai/improved-gan]
11. 生成式矩匹配网络(Generative Moment Matching Networks, GMMNs)
参考链接:[https://github.com/yujiali/gmmn]
12. 对抗视频生成
参考链接:[https://github.com/dyelax/Adversarial_Video_Generation]
13. 基于条件对抗网络的图像到图像翻译(pix2pix)
参考链接:[https://github.com/phillipi/pix2pix]
14. 对抗机器学习库Cleverhans,
参考链接:[https://github.com/openai/cleverhans]
2014
2015
2016
2017
初步版本,水平有限,有错误或者不完善的地方,欢迎大家提建议和补充,会一直保持更新,敬请关注http://www.zhuanzhi.ai 和关注专知公众号,获取第一手AI相关知识
数据作为深度学习的驱动力,对于模型的训练至关重要。充足的训练数据不仅可以缓解模型在训练时的过拟合问题,而且可以进一步扩大参数搜索空间,帮助模型进一步朝着全局最优解优化。然而,在许多领域或任务中,获取到充足训练样本的难度和代价非常高。因此,数据增广成为一种常用的增加训练样本的手段。本文对目前深度学习中的图像数据增广方法进行研究综述,梳理了目前深度学习领域为缓解模型过拟合问题而提出的各类数据增广方法,按照方法本质原理的不同,将其分为单数据变形、多数据混合、学习数据分布和学习增广策略等4类方法,并以图像数据为主要研究对象,对各类算法进一步按照核心思想进行细分,并对方法的原理、适用场景和优缺点进行比较和分析,帮助研究者根据数据的特点选用合适的数据增广方法,为后续国内外研究者应用和发展研究数据增广方法提供基础。针对图像的数据增广方法,单数据变形方法主要可以分为几何变换、色域变换、清晰度变换、噪声注入和局部擦除等5种;多数据混合可按照图像维度的混合和特征空间下的混合进行划分;学习数据分布的方法主要基于生成对抗网络和图像风格迁移的应用进行划分;学习增广策略的典型方法则可以按照基于元学习和基于强化学习进行分类。目前,数据增广已然成为推进深度学习在各领域应用的一项重要技术,可以很有效地缓解训练数据不足带来的深度学习模型过拟合的问题,进一步提高模型的精度。在实际应用中可根据数据和任务的特点选择和组合最合适的方法,形成一套有效的数据增广方案,进而为深度学习方法的应用提供更强的动力。在未来,根据数据和任务基于强化学习探索最优的组合策略,基于元学习自适应地学习最优数据变形和混合方式,基于生成对抗网络进一步拟合真实数据分布以采样高质量的未知数据,基于风格迁移探索多模态数据互相转换的应用,这些研究方向十分值得探索并且具有广阔的发展前景。