著者＆エディタ|三つの言葉があります。
1つのGANおよび物体検出
ターゲット検出はコンピュータビジョンの実践の分野で最大規模と推定され、その中で小さな目標、大きな態度は、すべての古典的なパズル、我々は整理し始めているとして本当に素晴らしいであるGANあります。
GaNと小型の顔を見つけます
GaNと小さな顔を見つけることは、超解像（超解像ネットワーク）を使用してフレームワークボケ検出用ネットワークを改善するための小さな顔であり、一連の試験より広い面（ハードサブセット）の結果を向上させることが困難であることができます。
顔検出は、大きな進歩を遂げたが、まだ少し顔検出10×10サイズ以下で困難に直面しています。制約のない環境下では、低解像度の顔は小さいかもしれない、と漠然とを伴って、そのような人々は、テクスチャのディテールの不足に直面し、顔検出が課題です。画像を直接サンプリングされた場合、それは計算量が増加します。
ネットワークに対して使用することによって生成された低解像度の顔ブラー（GAN）から人間の顔を生成GAN、高解像度で小型の顔は、顔検出、図全体のフレームワークを見つける、それは見ることができ、顔が検出される顔チャートはまた、真偽判別、顔検出アルゴリズムのロバスト性を決定するために、非人間の顔であってもよいです。
図は、2つのサブネットワークを含む発電機である：超解像のネットワークとネットワークを向上させます。超解像ネットワーク（のSRN）は、スーパー個、4倍サンプリング、画質を向上させるためにサンプリングを含みます。改良されたネットワーク（リファインメントネットワーク）が分類される鋭い高解像度画像を生成し、サンプリングされた画像の削除に詳細の一部を回復することができます。
プロデューサー、損失の再構成のための目標の最適化のために、G1とG2前記サンプリング・ネットワークであり、ネットワークを向上させます。
使用に訓練されたサンプリングにより生成された低解像度画像、高解像度画像は、バイキュービック補間を用いて生成しました。
上記に示した、出力、真のスーパーサブピクチャとピクチャ識別、および顔非顔を含む二完全接続層が決定されるVgg19弁別器は、モデルです。
損失に対する標準に加えて、差別は、人間の顔と非顔分類損失を含みます。
次の図は、広い顔検出結果に小顔、そして現在のフレームの大部分との性能比較を示します。
枠組みの中で、超解像モジュールの統合は、細心の注意に値する世代の優れた性能に小さな目標検出にネットワークに対して生成されて良いアイデアを、解決することです。
リファレンス
[1]白Y、張Y、丁M、ら。コンピュータビジョンとパターン認識に関するIEEE会議の生成的な敵対ネットワーク[C] //議事録で野生の小さな顔を見つけます。2018：21-30。
2 GAN画像セグメンテーション
画像分割は、部屋の多くは、我々は整理するために存在し始めているということであるセグメンテーションの結果はマスクであるとして、我々はGANデータ配信をキャッチアップするために、より洗練された結果の性質上、善を追求する傾向があり、古典的な問題です。
半教師付きセマンティックセグメンテーションのためのGAN
半教師付きセマンティックセグメンテーションのためのプレゼンテーションGANは、セマンティックセグメンテーションに対して、及び半教師セマンティックセグメンテーションのアイデアのためのネットワークの精度を向上させるためのアイデアを生成するために使用されます。
私たちは、セマンティックセグメンテーションの結果は、多くの場合、自身が生成する優れた能力を持っているネットワークに対して生成されたより現実的なプロファイルを得るために、改善するためのCRFおよび他の後処理技術の使用を、必要と知って、結果を改善しようとするために使用することができます。
図に示す基本的な構造がさらに弁別ネットワークを含む、基本的なネットワークの分割に加えて見ることができる、ということです。入力ラベルと実際のセグメンテーション出力結果である完全な畳み込みネットワークは、確率マップがネットワークにされている決定、各画素値は、それが本物のタグ予測結果に由来することを示しています。
次のように最適化客観的な判断は、次のとおりです。
ネットワークを分割S（）であり、Dは（。）弁別器ネットワークである、YN = 1の場合、画素実タグから。
これらは、半教師の時間がどのようにそれを行うにはときに、トレーニング方法を用いた学習指導されていますか？このモデルでは結果のみと確率グラフ分割弁別器を得ることができ、弁別自身の教会は、以下の目的を最適化するために、善と悪の独自の基準を必要とします：
上記式において、Tsemi変数を2値化確率マップ弁別を出力するための閾値であり、S（Xnの）は除算結果が、Ynのは、S（Xnの）の予測結果に基づいているので、全体式クロスエントロピマスクの等価なサブバンド。もちろん、唯一の教師の訓練時間の安定性弁別確率マップについて。
図に示す確率マップ、明るくは近いそれは本当のラベル配布することを、これらの領域は、実際に半教師鉄道模型のために使用を意味します。
トレーニングのための注釈データの半分を使用して、そしてベンチマーキングすると、次のようにモデルの結果は以下のとおりです。
全体的にこれはgithub.com / hfslyc / AdvSemiSeg、オープンソースの実装を検証する著者はまた、簡単に、良いアイデアです。
リファレンス
[1]ハングWC、ツァイYH、リョウ＆YT、ら。半教師セマンティックセグメンテーションのための敵対的学習[J]。arXivのプレプリントarXivの：1802.07934、2018。
3 GANと画像ノイズリダクション
画像生成及び送信処理が雑音によって妨害され、画像のノイズは、ノイズの分布でモデル式GAN天然の利点が捕捉され、非常に基本的な問題です。また、画像のぼけ修正は、強化は、超解像は、修理など、統合、のすべての領域は、我々は多くのコンテンツを整理しています！
GAN-CNN基づくブラインドディノイザ
実際の騒音やノイズのないデータをペアリング、GCBD（GAN-CNN基づくブラインドDenoiserの）方法は、GANは、ノイズ画像に基づいて画像のノイズと実際のノイズから収集した使用されていない深学習が直面する主要な問題であり、実際のペアへのアクセスモデルのトレーニングのためのノイズ図。
フレーム全体として、入力ノイズ画像における「不対」画像ノイズ（雑音イメージ）とノイズのない（クリーンイメージ）イメージを持って、ネットワーク雑音ブロックを抽出する（雑音ブロック抽出）試料ノイズモデルとは、クリーンでノイズのない画像データが共にDncnn最後のフレームでトレーニング、トレーニングの対を形成します。
図は、特定のネットワーク構成に対して生成されます。X〜ノイズ生成され、xはノイズが非常にリアル、次のように生成され、ノイズ集めています。
一緒に図に示すいくつかの実験結果以下、それは良好な結果を見ることができる真の最終的なノイズとノイズ生成が使用される製造及び清浄な画像対。
実際の騒音やノイズのない画像を取得し、それは方法のGANや他の教師なしモデルに焦点を当てて価値がある、問題に適用されたノイズリダクションの深さを学習するための鍵です。
リファレンス
[1]チェンJ、陳J、チャオH、ら。生成的な敵対ネットワークでノイズ除去画像ブラインドは、コンピュータビジョンとパターン認識に関するIEEE会議の[C] //議事録をモデル化し、ノイズに基づきます。2018：3155から3164まで。
よりGANの内容については4
GANほぼすべての壮大な計画は、視野の全てに、どのように体系的GANそれを学ぶには？以下の説明を参照してください。
