Генеративно-состязательные сети: GANs. Лекция 3 по Advanced Computer Vision.

Лекция посвящена генеративно-состязательным сетям (Generative Adversarial Networks, GANs), пробегаем по основным идеям от их появления до сложных архитектур, позволяющих создавать качественные изображения высокого разрешения. 00:00 Вступление 01:43 Обучение с учителем, без учителя и с подкреплением: ограничения 03:08 Введение в генеративно-состязательные сети 05:59 Идея генеративно-состязательного обучения 09:53 Дискриминатор 15:00 Обучение генератора 17:53 Целевая функция генеративно-состязательного обучения 19:20 Псевдокод обучения GAN 24:37 Процесс обучения GAN 25:30 Первые результаты 27:21 Интерполяция латентного вектора 28:52 Conditional GANs 30:37 DCGAN 33:51 DCGAN: интерполяция латентных векторов 34:29 DCGAN: свойства латентных векторов 35:30 “Improved Techniques for Training GANs” 36:45 Feature Matching 37:39 Inception Score 41:15 Image-to-Image Translation 43:34 CycleGAN: Unpaired Image-to-Image Translation 43:35 CycleGAN: основная идея 47:44 CycleGAN: целевая функция 49:51 Wasserstein GAN 56:39 Wasserstein GAN with Gradient Penalty 58:58 - Progressive GAN 59:29 - Progressive GAN: результаты 1:00:52 BigGAN 01:01:49 StyleGAN 01:03:03 Упоминание последних результатов Евгений Разинков -- к.ф.-м.н., руководитель отдела машинного обучения и компьютерного зрения Группы компаний FIX, преподаватель Казанского федерального университета, кофаундер и директор по науке компании Pr3vision Technologies, CEO парфюмерного AI-проекта Информация о лекциях: Телеграм-канал с анонсами лекций и материалами по машинному обучению: