Advertisement

CMGAN: IJCAI 2018论文《基于生成式对抗网络的跨模态人物再识别》的PyTorch实现代码

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
这段简介可以描述为：CMGAN是IJCAI 2018论文中提出的一种创新方法，该论文介绍了一种基于生成式对抗网络（GAN）进行跨模态人物再识别的技术。此项目提供了一个使用PyTorch实现的代码版本，使研究者能够更便捷地应用和探索这一先进的人脸识别技术。 跨模式PRID-GAN IJCAI 2018论文的代码正在进行积极开发（大约近两年时间）。该模型对多模态图像（RGB和红外）执行对抗性学习，以实现跨模式重识别任务。预计在2021年夏季之前添加结果和模型信息，请持续关注。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • CMGAN: IJCAI 2018论文《基于生成式对抗网络的跨模态人物再识别》的PyTorch实现代码
    优质
    这段简介可以描述为：CMGAN是IJCAI 2018论文中提出的一种创新方法，该论文介绍了一种基于生成式对抗网络（GAN）进行跨模态人物再识别的技术。此项目提供了一个使用PyTorch实现的代码版本，使研究者能够更便捷地应用和探索这一先进的人脸识别技术。 跨模式PRID-GAN IJCAI 2018论文的代码正在进行积极开发（大约近两年时间）。该模型对多模态图像（RGB和红外）执行对抗性学习，以实现跨模式重识别任务。预计在2021年夏季之前添加结果和模型信息，请持续关注。
     
  • PyTorch-GAN：基于PyTorch的生成对抗网络实现
    优质
    PyTorch-GAN是一款基于PyTorch框架开发的库，专注于提供多种生成对抗网络（GAN）模型的高效实现。该库简化了GAN的研究和应用过程，使开发者能够快速上手并进行创新实验。 该存储库已不再更新维护，因为我目前无法投入时间进行维护。如果您有兴趣作为合作者继续开发，请通过电子邮件与我联系。 PyTorch-GAN 是一个包含生成对抗网络的 PyTorch 实现集合的研究项目。虽然模型架构可能不完全遵循原始论文中的描述，但我更注重传达核心思想而非精确配置每一层。我们非常欢迎任何对 GAN 的贡献和建议。 安装说明如下： ``` $ git clone https://github.com/eriklindernoren/PyTorch-GAN $ cd PyTorch-GAN/ $ sudo pip3 install -r requirements.txt ``` 实现内容包括辅助分类器生成对抗网络，由奥古斯都·奥德纳（Augustus Odena）、克里斯托弗·奥拉（Christopher Olah）和乔纳森·希伦斯（Jonathon Shlens）提出。
     
  • 利用PyTorch实现GAN生成对抗网络代码
    优质
    本项目使用Python深度学习框架PyTorch构建了一个生成对抗网络（GAN），旨在通过训练判别器和生成器之间的博弈来产生逼真的数据样本。 使用PyTorch构建GAN（生成对抗网络）的源码博客文章详细解释了每行代码的内容，具体内容可以自行查看。
     
  • 基于Pytorch的行人再识别（Person-ReID）Python代码实现
    优质
    本项目采用PyTorch框架实现了行人重识别的关键算法，通过优化模型结构和参数，提高了不同场景下行人的准确识别率。 Person-reID的Pytorch实现（代码库名称为 Person_reID_baseline_pytorch）是一个小巧、友好且强大的基线代码框架。该框架与多个顶级会议的工作中的新基准结果一致，例如用于人员重新识别的联合判别和生成学习（CVPR19）、超越部件模型：具有精细部件池的人员检索（ECCV18）、以及用于人员相机风格适应重识别（CVPR18）。仅使用softmax损失函数，我们达到了Rank@1=88.24%，mAP=70.68% 的性能。 此外，框架小巧轻量。通过采用fp16格式并借助Nvidia apex的支持，我们的基线模型可以在仅有2GB GPU内存的情况下进行训练。 友好性方面，在一行代码中可以轻松应用许多最先进的技巧，并且对于不熟悉Person-reID的新用户，我们提供了一份简短的教程（大约8分钟阅读时间）帮助入门。 该框架支持以下功能： - Float16：用于节省GPU内存 以及其他一些先进特性。
     
  • SNGAN: 谱归一化的生成对抗网络（基于Pytorch的实现）
    优质
    SNGAN是采用谱归一化技术优化的生成对抗网络模型，并提供了基于Pytorch框架的具体实现方法。该模型在图像生成任务中表现出卓越性能和稳定性。 SN-GAN与CIFAR10的Pytorch实现可以通过nsml运行示例来完成： - `nsml run -d cifar10_python -a --sn`：使用谱归一化（Spectralnorm） - `nsml run -d cifar10_python`：不启用谱归一化 - `nsml run -d cifar10_python -a --sn --inception_score`：计算Inception score 此外，如果为nsml创建空函数，则可以通过执行`python main.py`来运行程序。GAN架构的构建参考了CIFAR10论文附录B.4中的结果生成图像的方法。 不过需要注意的是，在实际操作中采用上述方法生成的结果可能不尽如人意。
     
  • TextGAN-PyTorch：一个基于生成对抗网络（GAN）的文本生成模型的PyTorch框架-源码
    优质
    TextGAN-PyTorch是一个采用生成对抗网络(GAN)技术进行文本生成的开源PyTorch框架，旨在提供高效灵活的代码实现和强大的文本创造力。 TextGAN-PyTorch 是一个用于基于生成对抗网络（GAN）的文本生成模型的PyTorch框架，涵盖常规文本生成及类别化文本生成模型。它是一个研究平台，支持对基于GAN的文本生成技术的研究工作。鉴于大多数此类模型使用Tensorflow实现，TextGAN为习惯于PyTorch开发环境的人们提供了一个快速入门途径。 如果在使用过程中遇到任何问题，请随时反馈；若有意添加新的模型或功能，欢迎贡献代码。该框架要求Python版本3.6及以上，并且需要安装PyTorch 1.1.0 或更高版本以及脾气暴躁的1.14.5和CUDA 7.5+（用于GPU加速）。
     
  • GAIN: ICML 2018的生成对抗式插补网络（GAIN）代码库
    优质
    简介：GAIN是ICML 2018上提出的一种创新性的缺失数据处理方法，利用生成对抗网络进行高效的数据插补。本代码库为研究者提供了复现该模型所需资源。 “生成对抗式插补网络（GAIN）”的代码库作者是尹振成、詹姆斯·乔登以及米哈埃拉·范德沙尔。相关论文名为《GAIN：使用生成对抗网络进行数据插补》，由Jinsung Yoon，James Jordon和Mihaela van der Schaar在2018年国际机器学习会议上发表。 该代码库包含了一个实现于两个UCI数据集上的GAIN框架的插补功能。这两个数据集分别是UCI字母以及UCI垃圾邮件数据集。 要运行有关GAIN框架的培训与评估管道，只需执行命令`python3 -m main_letter_spam.py`即可。请注意，任何模型架构都可以作为生成器和鉴别器模型使用，例如多层感知机或CNN等。 输入参数包括： - data_name：字母（letter）或者垃圾邮件（spam） - miss_rate：缺少值的概率 - batch_size：批量大小 - hint_rate：提示率 - alpha：超参数 - 迭代次数
     
  • AdvGAN_pytorch: 论文“生成对抗样本的对抗网络”相关代码
    优质
    AdvGAN_pytorch是基于论文《生成对抗样本的对抗网络》的PyTorch实现代码，用于研究和开发生成对抗性样本的技术。 Generating Adversarial Examples with Adversarial Networks (advGAN) 的 Pytorch 实现。训练目标模型通过运行 `python3 train_target_model.py` 来完成；训练 advGAN 通过执行 `python3 main.py` 完成；测试对抗样本则使用命令 `python3 test_adversarial_examples.py`。在 MNIST 测试集上的攻击成功率达到了 99%。需要注意的是，我的实现与论文略有不同，因为我添加了一个剪辑技巧。
     
  • PyTorch版GAN生成对抗网络实战
    优质
    本课程深入浅出地讲解了基于PyTorch框架的GAN（生成对抗网络）原理及其应用实践，适合希望在图像处理等领域中掌握生成模型技术的学习者。 分享课程——GAN生成对抗网络实战（PyTorch版），2022年最新升级！提供全部的代码、课件和数据集下载。本课程讲解GAN的基本原理及常见各种类型的GAN，结合论文解析其原理，并详细演示代码编写过程。 课程大纲如下： - 章节1：GAN课程简介 - 章节2：GAN基本原理与公式详解 - 章节3：基础GAN - 章节4：DCGAN（深度卷积生成对抗网络） - 章节5：动漫人物头像生成实例 - 章节6：CGAN（条件生成对抗网络） - 章节7：Pix2pix GAN - 章节8：SGAN（半监督学习的GAN） - 章节9：CycleGAN（循环一致性生成对抗网络） - 章节10：WGAN（ Wasserstein生成对抗网络） - 章节11：GAN评价方法