Generative Adversarial Networks for Image Generation / Mao, Xudong  

Público ISBD Ningún comentario para este registro. Título : Generative Adversarial Networks for Image Generation Tipo de documento: documento electrónico Autores: Mao, Xudong, ; Li, Qing, Mención de edición: 1 ed. Editorial: Singapore [Malasia] : Springer Fecha de publicación: 2021 Número de páginas: XII, 77 p. 41 ilustraciones, 29 ilustraciones en color. ISBN/ISSN/DL: 978-981-336-048-8 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Aprendizaje automático  Visión por computador  Software de la aplicacion  Aplicaciones informáticas y de sistemas de información Clasificación: 006.31 Resumen: Ian Goodfellow y sus coautores, incluido Yoshua Bengio, introdujeron las redes generativas adversarias (GAN) en 2014, y Yann Lecun (director de investigación de IA de Facebook) las describió como "la idea más interesante de los últimos 10 años en ML". El potencial de las GAN es enorme, porque pueden aprender a imitar cualquier distribución de datos, lo que significa que se les puede enseñar a crear mundos similares al nuestro en cualquier dominio: imágenes, música, habla, prosa. En cierto sentido, son artistas robóticos y su producción es notable, incluso conmovedora. En 2018, Christie''s vendió un retrato generado por una GAN por 432.000 dólares. Aunque la generación de imágenes ha sido un desafío, la generación de imágenes GAN ha demostrado ser muy exitosa e impresionante. Sin embargo, quedan dos desafíos pendientes para la generación de imágenes GAN: la calidad de la imagen generada y la estabilidad del entrenamiento. Este libro primero proporciona una descripción general de las GAN y luego analiza la tarea de generación de imágenes y los detalles de la generación de imágenes GAN. También investiga una serie de enfoques para abordar los dos desafíos restantes para la generación de imágenes GAN. Además, explora tres aplicaciones prometedoras de las GAN, incluida la traducción de imagen a imagen, la adaptación de dominio no supervisada y las GAN para seguridad. Este libro está dirigido a estudiantes e investigadores interesados ​​en GAN, generación de imágenes y aprendizaje automático en general y visión por computadora. . Nota de contenido: Generative Adversarial Networks (GANs) -- GANs for Image Generation -- More Key Applications of GANs -- Conclusions. Tipo de medio : Computadora Summary : Generative adversarial networks (GANs) were introduced by Ian Goodfellow and his co-authors including Yoshua Bengio in 2014, and were to referred by Yann Lecun (Facebook's AI research director) as "the most interesting idea in the last 10 years in ML." GANs' potential is huge, because they can learn to mimic any distribution of data, which means they can be taught to create worlds similar to our own in any domain: images, music, speech, prose. They are robot artists in a sense, and their output is remarkable – poignant even. In 2018, Christie's sold a portrait that had been generated by a GAN for $432,000. Although image generation has been challenging, GAN image generation has proved to be very successful and impressive. However, there are two remaining challenges for GAN image generation: the quality of the generated image and the training stability. This book first provides an overview of GANs, and then discusses the task of image generation and the detailsof GAN image generation. It also investigates a number of approaches to address the two remaining challenges for GAN image generation. Additionally, it explores three promising applications of GANs, including image-to-image translation, unsupervised domain adaptation and GANs for security. This book appeals to students and researchers who are interested in GANs, image generation and general machine learning and computer vision. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Generative Adversarial Networks for Image Generation [documento electrónico] / Mao, Xudong, ; Li, Qing,  . -  1 ed.  . - Singapore [Malasia] : Springer, 2021 . - XII, 77 p. 41 ilustraciones, 29 ilustraciones en color. ISBN : 978-981-336-048-8 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Aprendizaje automático  Visión por computador  Software de la aplicacion  Aplicaciones informáticas y de sistemas de información Clasificación: 006.31 Resumen: Ian Goodfellow y sus coautores, incluido Yoshua Bengio, introdujeron las redes generativas adversarias (GAN) en 2014, y Yann Lecun (director de investigación de IA de Facebook) las describió como "la idea más interesante de los últimos 10 años en ML". El potencial de las GAN es enorme, porque pueden aprender a imitar cualquier distribución de datos, lo que significa que se les puede enseñar a crear mundos similares al nuestro en cualquier dominio: imágenes, música, habla, prosa. En cierto sentido, son artistas robóticos y su producción es notable, incluso conmovedora. En 2018, Christie''s vendió un retrato generado por una GAN por 432.000 dólares. Aunque la generación de imágenes ha sido un desafío, la generación de imágenes GAN ha demostrado ser muy exitosa e impresionante. Sin embargo, quedan dos desafíos pendientes para la generación de imágenes GAN: la calidad de la imagen generada y la estabilidad del entrenamiento. Este libro primero proporciona una descripción general de las GAN y luego analiza la tarea de generación de imágenes y los detalles de la generación de imágenes GAN. También investiga una serie de enfoques para abordar los dos desafíos restantes para la generación de imágenes GAN. Además, explora tres aplicaciones prometedoras de las GAN, incluida la traducción de imagen a imagen, la adaptación de dominio no supervisada y las GAN para seguridad. Este libro está dirigido a estudiantes e investigadores interesados ​​en GAN, generación de imágenes y aprendizaje automático en general y visión por computadora. . Nota de contenido: Generative Adversarial Networks (GANs) -- GANs for Image Generation -- More Key Applications of GANs -- Conclusions. Tipo de medio : Computadora Summary : Generative adversarial networks (GANs) were introduced by Ian Goodfellow and his co-authors including Yoshua Bengio in 2014, and were to referred by Yann Lecun (Facebook's AI research director) as "the most interesting idea in the last 10 years in ML." GANs' potential is huge, because they can learn to mimic any distribution of data, which means they can be taught to create worlds similar to our own in any domain: images, music, speech, prose. They are robot artists in a sense, and their output is remarkable – poignant even. In 2018, Christie's sold a portrait that had been generated by a GAN for $432,000. Although image generation has been challenging, GAN image generation has proved to be very successful and impressive. However, there are two remaining challenges for GAN image generation: the quality of the generated image and the training stability. This book first provides an overview of GANs, and then discusses the task of image generation and the detailsof GAN image generation. It also investigates a number of approaches to address the two remaining challenges for GAN image generation. Additionally, it explores three promising applications of GANs, including image-to-image translation, unsupervised domain adaptation and GANs for security. This book appeals to students and researchers who are interested in GANs, image generation and general machine learning and computer vision. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

---

1 (1 - 1 / 1) Ver por página : 25 50 100 200