GAN的特征学习——GAN专题代码复现

本课程以复现 CatGAN 模型为例,介绍了GAN如何用于无监督学习和半监督学习。(课时:20 分钟)

计算机视觉 CatGAN 半监督学习 Action Unit cGAN D2GAN 对抗训练 pix2pix StarGAN CoGAN

讲师:   中科视拓

课程资料

数据集、课程PPT、代码资料:GAN的姿态迁移

课程背景

本系列课程是 GAN专题论文研读系列课程 配套的代码复现课程,GAN专题论文研读涉及>30篇经典论文;每个经典模型均会有代码复现与分析讲解;覆盖范围广泛,包括:

  • 原理介绍&代码实训!
  • 理论基础&实际应用!
  • 计算机视觉&文本处理!
  • 机器学习顶会&CV顶会!
  • 2014的提出之初 → 2018的当下最新!

代码讲解由助教讲师从数据准备,基础代码讲解,和实验结果分析来入手;作业设计形式多样,从论文理解,关键公式推导,代码实现,Benchmark结果复现等多个维度巩固论文学习成果。从GAN的诞生之初讲起,全方位覆盖,介绍每个类别的代表性论文,复现经典模型,跟大家一起逐步梳理清楚GAN的发展脉络!

通常无监督分类方法会被转化为聚类问题,在判别式的聚类方法中常用某种距离作为度量准则,进而为数据分类。本课程介绍的 CatGAN( ICLR2016)方法,则是采用数据的熵作为衡量标准。

CatGAN 通过对熵(不确定度)的应用,避开了对类别标注信息的需求,从而实现了无监督和半监督学习。GAN 结合了产生式无监督学习方法和判别式无监督学习方法两者的优势。本课程以复现 CatGAN 模型为例,介绍了GAN如何用于无监督学习和半监督学习。

适用人群

本课程适用于对深度学习及其在计算机视觉领域的应用等内容感兴趣的高校学生或者工程技术人员。

课程详情

本课程的主要内容有: 特征学习——半监督学习:

  • 论文介绍(Semi-Supervised Learning with Generative Adversarial Networks)
  • 代码实现
  • 模块实现细节
  • 实验结果分析
  • 实验总结

课程目标

学完本课程,你能做到:

理解论文:Semi-Supervised Learning with Generative Adversarial Networks结构原理

参考论文

1. [GAN, ICRL] Unsupervised and Semi-supervised Learning with Categorical Generative Adversarial Networks (ICRL 2016)