机构名称：
¥ 1.0
摘要：生成相反的网络是一种在没有大量带注释的培训数据的情况下学习深层表示的技术。这种竞争技术采用两个网络来生成背景信号。生成对抗网络（GAN）使用学习的表示形式，用于各种应用，包括图像综合，语义成像，样式转移，超级磁性和分割。图像可以在许多方面使用。gans是一个独特的阶级，由于深层生成模型的流行，最近引起了极大的兴趣。gans隐式分发复杂和高分辨率的图像，声音和数据。但是，鉴于无意间构建了网络架构，目标函数使用和优化算法选择，在训练gans时会发展出重要的困难，例如模式崩溃，不一致和不稳定。这项研究对供gans设计和优化策略的发展进行了彻底的研究，以解决甘恩的困难。我们在这个快速发展的领域提供了有趣的研究可能性。gan是一个受欢迎的研究主题，因为它们能够生成合成数据以及不论应用程序如何都可以理解的代表性。迄今为止，已经对图像处理领域中的gans进行了各种评论，但没有人专注于对多学科领域中的gan的审查。因此，本研究通过彻底搜索与GAN相关的研究文章来研究gan在跨学科应用领域及其实施问题的利用。
关于人工神经任务中生成对抗行为的调查
主要关键词
相关文件推荐
