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
- Python
- Image Inpainting
- 이미지 특징
- horse2zebra
- CT 영상에서 U-Net 기반 변형가능 컨볼루션 GAN을이용한 잡음제거
- Generative Adversarial Nets
- 논문리뷰
- JSON
- Coherent Semantic Attention for Image Inpainting
- 2D 이미지 높이 측정
- 백준
- json 파일 정보 csv파일로 저장
- 자체 데이터 제작
- Generative Adversarial Networks
- 이미지 복원
- 논문 리뷰
- gan
- Moire 이미지
- AI 대회
- music data
- Phase Map
- C-RNN-GAN:Continuous recurrent neural networkswith adversarial training
- CelebA
- mnist
- Phase Map 이미지
- 이미지파일 특성으로 폴더분류
- json 파일로 image 라벨링
- 데이터 전처리
- labeling
- PAPER
Archives
- Today
- Total
목록horse2zebra (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