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 http://scented.ai

Информация о лекциях:
http://razinkov.ai

Телеграм-канал с анонсами лекций и материалами по машинному обучению:
https://t.me/razinkov_ai