二进制生成对抗网络用于图像检索
提出了一种用于离散数据训练生成式对抗网络(GANs)的方法,称为边界寻找 GANs(BGANs)。该方法利用鉴别器估计的差异度量计算生成样本的重要性权重,为训练生成器提供了策略梯度,并证明了该算法在离散图像和字符基自然语言生成方面具有很好的效果。此外,目标函数可以扩展到连续的数据集,可用于提高训练的稳定性,并证明了在 Celeba、LSUN 卧室场景理解和 Imagenet 数据集上,该方法的实用性。
Feb, 2017
本教程讨论了 GAN 技术及其在不同信息检索场景下的离散数据拟合的变体,着重介绍了 IRGAN 的基本 GAN 框架和直接应用在信息检索中拟合单个 ID 数据分布,以及 GAN 在生成文本和图形数据等方面的解决方案,并介绍了 IRGAN 和 Texygen 等相关开源平台来帮助研究者进行有关 GAN 的信息检索实验,最后对 GAN 在信息检索中未来研究方向进行了综合总结和展望。
Jun, 2018
本文介绍了一种基于 GANs 的新型监督哈希方法 Deep Semantic Hashing,通过针对大规模图像检索任务,利用半监督生成对抗网络在非标注大规模图像数据集和少量标注数据集的基础上生成高质量的综合数据,以此提升哈希搜索技术的效果和精度。实验证明,该方法比当前的深度哈希模型有着更好的效果。
Apr, 2018
本文提出了一种新颖的正则化方法,其中利用判别器网络中间层发生的降维作用,并训练二元化的低维表示向量,模拟更高维先前层的分布,以此使模型能够学习辨别性和紧凑的图像片段 (图像描述符)。我们引入了两个损失项,旨在减少降维后的向量维度之间的相关性 (i.e. 最大化关联熵,propagating relations between dimensions) 和将高维空间的维度之间的关系传播到低维空间。我们将得到的二进制图像描述符应用到图像匹配和检索两项具有挑战性的任务中,并实现了最优结果。
Jun, 2018
本研究基于生成对抗网络构建了一个图像压缩系统,其中包括编码器、解码器 / 生成器和多尺度鉴别器,并使用全生成式学习压缩目标。模型可合成存储受限的细节,实现在比之前方法失败且出现严重伪影的比特率下,较视觉上令人满意的结果。此外,如果有原始图像的语义标签映射可用,则本方法可以从标签映射中合成出解码后图像的不重要区域,例如街道和树,并相应地减少存储成本。一个用户研究证实,即使使用两倍以上的比特,低比特率下我们的方法都优于现有技术。
Apr, 2018
本研究采用生成对抗网络,从无监督数据中学习出良好的表征,并应用于图像生成、场景分类以及像象形文字这类草图检索。我们提出了一种与草图检索搭配的新型 GAN 结构,并通过对比传统 GAN 结构的表现,证明本研究的草图 GAN 可用于草图的检索,并且相比标准 GAN 结构具有更高的旋转、缩放以及平移稳定性。
Jul, 2016
介绍了 SalGAN,一种具有对抗样本训练的深度卷积神经网络,用于视觉显着性预测,实验表明对抗训练结合二元交叉熵损失函数可以达到最先进的性能。
Jan, 2017
本文介绍了一种使用生成对抗网络的无监督对抗攻击方法,旨在针对基于深度特征的图像检索系统形成对抗查询,通过在有纹理的区域加入微小扰动使得攻击者的图像查询与原始查询相似度降低。
Jul, 2019