Notice
Recent Posts
Recent Comments
Link
| 일 | 월 | 화 | 수 | 목 | 금 | 토 |
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | 5 | 6 | |
| 7 | 8 | 9 | 10 | 11 | 12 | 13 |
| 14 | 15 | 16 | 17 | 18 | 19 | 20 |
| 21 | 22 | 23 | 24 | 25 | 26 | 27 |
| 28 | 29 | 30 | 31 |
Tags
- 논문 리뷰
- gan
- 자체 데이터 제작
- Generative Adversarial Nets
- json 파일로 image 라벨링
- music data
- AI 대회
- horse2zebra
- Moire 이미지
- Generative Adversarial Networks
- mnist
- Python
- 이미지 복원
- 논문리뷰
- 이미지파일 특성으로 폴더분류
- json 파일 정보 csv파일로 저장
- labeling
- CelebA
- Coherent Semantic Attention for Image Inpainting
- PAPER
- CT 영상에서 U-Net 기반 변형가능 컨볼루션 GAN을이용한 잡음제거
- C-RNN-GAN:Continuous recurrent neural networkswith adversarial training
- 2D 이미지 높이 측정
- 백준
- JSON
- 데이터 전처리
- Phase Map 이미지
- Image Inpainting
- Phase Map
- 이미지 특징
Archives
- Today
- Total
목록CycleGAN (1)
Deep Learning through deep learning
GAN에 대해 실습을 통해 어느정도 시각적으로 이해가 되었으리라 생각한다. 제목을 보고 갑작스럽게 넘어가는것에 대해 당황 할 수도 있으리라 생각하지만, DCGAN 이후 등장하는 CGAN > Pix2Pix 모델같은 경우에는 단순 조건 추가이거나, 한 쌍의 이미지가 필요하듯이 제한적인 요소가 많다. 자체적으로 데이터를 만들어 확실한 결과를 뽑기 위해선 이 두 단계의 모델을 건너뛰고자 한다. (물론 이 글을 읽는 분들은 이미 두 모델에 대한 이론적 지식이 충분할 것이라고 생각한다.) CycleGAN에서는 초기 GAN을 소개할 때 언급했던 이미지 복원이라는 목표를 가능하게 한다. 서론이 길었으니 일단 이론부터 살펴보자. Theory DCGAN 이후의 모델에 대한 세 줄 요약 들어가겠다. CGAN - 라벨 정보를..
ML&DL/GAN
2023. 8. 2. 22:53