||
GAN的二十个主要资源(河南大学 张重生 )
本文相关资料由张重生收集,王立志同学具体编辑整理。
-------------------------------------
与GAN直接相关的二十个主要资源:
编号:1
类型:文章
题目:GANimation: Anatomically-aware Facial Animation from a Single Image
作者:Albert Pumarola, Antonio Agudo, Aleix M. Martinez, Alberto Sanfeliu, Francesc Moreno-Noguer
出处:ECCV 2018
发表时间:2018
链接:https://arxiv.org/abs/1807.09251
代码链接:https://www.albertpumarola.com/research/GANimation/
编号:2
类型:报告
题目:让机器“察言作画”:从语言到视觉
作者:张炜、梅涛
出处:VALSE 2018
发表时间:2018
链接:https://www.jiqizhixin.com/articles/2018-05-09-16
参考文献下载链接:https://pan.baidu.com/s/1CWtw8XAqiwpvvymn8Icnjg (密码:2ood)
9篇相关文献
编号:3
类型:文章
题目:Generative Adversarial Nets for Information Retrieval: Fundamentals and Advances
作者:Weinan Zhang
发表时间:2018
链接:http://wnzhang.net/tutorials/sigir2018/docs/sigir18-irgan-full-tutorial.pdf
编号:4
类型:文章
题目:Glow: Generative Flow with Invertible 1×1 Convolutions
作者:Diederik P. Kingma , Prafulla Dhariwal
出处:openAI
发表时间:2018
链接:https://d4mucfpksywv.cloudfront.net/research-covers/glow/paper/glow.pdf
代码链接:https://github.com/openai/glow
编号:5
类型:文章
题目:一文读懂生成对抗网络(GANs)
作者:on2way
出处:csdn
发表时间:2017
链接:https://blog.csdn.net/on2way/article/details/72773771
pdf下载链接:https://pan.baidu.com/s/1ZAujyfbYM2DzDzpvuaUUyg (密码:g879)
编号:6
类型:Tutorials
题目:IJCAI:深入浅出讲解深度生成模型(115 PPT)
作者:ADITYA GROVER AND STEFANO ERMON
出处:IJCAI 2018
发表时间:2018
链接:https://drive.google.com/file/d/1uwvXkKfrOjYsRKLO7RK4KbvpWmu_YPN_/view
6. ijcai_ecai_tutorial 深入浅出讲解深度生成模型.pdf
编号:7
类型:文章
题目:GANs有嘻哈:一次学完10个GANs明星模型
作者:大数据文摘
出处:微信公众号大数据文摘
发表时间:2018
编号:8
类型:文章
题目:为什么说GAN很快就要替代现有摄影技术了?
作者:Jamshed Khan, Jaideep Misra, Padmanabhan Rajendrakumar
出处:Medium
发表时间:2019
链接:https://medium.com/sfu-big-data/ai-the-future-of-photography-c7c80baf993b
编号:9
类型:文章
题目:关于GANs在医学图像领域应用的总结
出处:知乎专栏
发表时间:2019
链接:https://zhuanlan.zhihu.com/p/59521772
编号:10
类型:文章
题目:BigBiGAN的前世今生,走向成熟的特征抽取器
作者:王子嘉
出处:微信公众号机器之心
发表时间:2019
链接:https://mp.weixin.qq.com/s/OR1m78VbVxVeJxDIruhhOQ
编号:11
类型:文章
题目:深度学习最强资源推荐:一文看尽 GAN 的前世今生
作者:Ajay Uppili Arasanipalai
出处:FloydHub
发表时间:2019
链接:https://blog.floydhub.com/gans-story-so-far/
编号:12
类型:书籍
题目:O'Reilly新书:《生成式深度学习》,近5年最先进GAN一网打全!
作者:David Foster
出处:微信公众号新智元
发表时间:2019
链接: https://www.oreilly.com/library/view/generative-deep-learning/9781492041931
随书代码 https://github.com/davidADSP/GDL_code
编号:13
类型:文章
题目:生成对抗网络GANs学习路线
作者:Amirsina Torfi
出处:微信公众号专知
发表时间:2019
链接:https://github.com/machinelearningmindset/Generative-Adversarial-Networks-Roadmap
编号:14
类型:文章
题目:【CVPR2019】MIT教程-使用GAN进行图像转换-附73页slides
作者:Phillip Isola
出处:CVPR2019
发表时间:2019
教程slide下载链接: https://pan.baidu.com/s/1PYy9ysVyiq-lw0DQuQwygg(提取码: mmf6)
14. im2im_tutorial_cvpr2019.pdf
编号:15-20
类型:GAN其它中文资源与书籍
15. 《生成式对抗网络入门指南》,史丹青 著. 机械工业出版社,2018.11
https://item.jd.com/12452945.html
16.《GAN实战生成式对抗网络》,Kuntal Ganguly 著,刘梦馨 译. 电子工业出版社, 2018.06
https://item.jd.com/12365087.html
17. 《人工智能研究的新前线:生成式对抗网络》,自动化学报,林懿伦、王飞跃等, 2018
http://blog.sciencenet.cn/home.php?mod=space&uid=2374&do=blog&id=1130140
18. 《生成式对抗网络:从生成数据到创造智能》,自动化学报,王坤峰, 左旺孟, 王飞跃等,2018
http://blog.sciencenet.cn/home.php?mod=space&uid=2374&do=blog&id=1121198
19. 《生成对抗网络研究年度进展评述 - Valse 2017 》,左旺孟教授, VALSE 2017
http://www.sohu.com/a/137473088_651893
20. 《生成式对抗网络GAN 的研究进展与展望》,王飞跃教授,2017
http://blog.sciencenet.cn/blog-2374-1072502.html
以下资源不与GAN直接相关
----------------------
编号:21
类型:文章
题目:Autopsy Of A Deep Learning Paper
作者: FILIP PIEKNIEWSKI
发表时间:2018
链接:https://blog.piekniewski.info/2018/07/14/autopsy-dl-paper/
论文链接:https://arxiv.org/pdf/1807.03247.pdf
编号:22
类型:文章
题目:基于孪生网络的目标跟踪算法汇总
作者:王智卓
出处:csdn
发表时间:2019
链接:https://blog.csdn.net/WZZ18191171661/article/details/88369667
编号:23
类型:文章
题目:一文看懂神经网络初始化!吴恩达Deeplearning.ai最新干货
作者:Katanforoosh & Kunin
出处:deeplearning.ai
发表时间:2019
链接:https://www.deeplearning.ai/ai-notes/initialization/
编号:24
类型:公开课
题目:深度学习时代的文字检测与识别技术 | AI 研习社 103 期大讲堂
作者:姚聪
出处:AI 研习社
发表时间:2018/11/29
公开课回放地址:http://www.mooc.ai/open/course/605
编号:25
类型:教程
题目:MIT高赞深度学习教程:一文看懂CNN、RNN等7种范例(TensorFlow教程)
作者:Lex Fridman
出处: MIT 的深度学习基础系列课程
发表时间:2018
链接:https://mp.weixin.qq.com/s/ysnLwvbSD4fcL5LK7wSnyA
编号:26
类型:软件
题目:QQ截图+搜狗OCR+百度OCR+有道OCR+腾讯OCR+翻译 2019春节版
作者:rrwrewq
出处: 吾爱破解
发表时间:2019
链接:https://www.52pojie.cn/thread-860382-1-1.html
编号:27
类型:PPT
题目:李宏毅 | 286页的《一天搞懂深度学习》
作者:李宏毅
出处:微信公众号深度学习工坊
发表时间:2016
链接:https://pan.baidu.com/s/1Tf2n0odUqQPdPmE1tCGRvg(提取码:fmyv)
编号:28
类型:书籍
题目:《利用PyTorch进行深度学习》
作者:Eli Stevens and Luca Antiga
出处:微信公众号深度学习工坊
发表时间:2018
链接:https://www.manning.com/books/deep-learning-with-pytorch
代码链接:https://github.com/deep-learning-with-pytorch/dlwpt-code
编号:29
类型:文章
题目:Relational inductive biases, deep learning, and graph networks
出处:arXiv
发表时间:2018
链接:https://arxiv.org/abs/1806.01261
参考资料:
1. Judea Pearl采访:https://www.quantamagazine.org/to-build-truly-intelligent-machines-teach-them-cause-and-effect-20180515/
2. 图卷积网络:http://tkipf.github.io/graph-convolutional-networks/
3. 关系RNN:https://arxiv.org/pdf/1806.01822v1.pdf
4. 关系深度强化学习:https://arxiv.org/abs/1806.01830
5. 关系归纳偏置https://arxiv.org/pdf/1806.01203.pdf
编号:30
类型:文章
题目:自然场景文本检测识别技术综述
作者:海翎
出处:微信号SIGAICN
发表时间:2018
链接:http://www.tensorinfinity.com/upload/files/20181120/1542679447580785.pdf
编号:31
类型:文章
题目:KDD 2018 | OCR神器来了!Facebook推出大规模图像文本提取系统Rosetta
作者:Fedor Borisyuk; Albert Gordo; Viswanath Sivakumar
出处:KDD2018
发表时间:2018
论文链接:http://www.kdd.org/kdd2018/accepted-papers/view/rosetta-large-scale-system-for-text-detection-and-recognition-in-images
PDF链接:http://delivery.acm.org/10.1145/3220000/3219861/p71-borisyuk.pdf?ip=222.249.170.76&id=3219861&acc=OPENTOC&key=4D4702B0C3E38B35%2E4D4702B0C3E38B35%2E4D4702B0C3E38B35%2E054E54E275136550
编号:32
类型:教程
题目:152页简明《计算机视觉》入门教程,带你回顾CV发展脉络
作者:Christoph Rasche
出处:微信公众号小詹学Python
发表时间:2019
下载链接: http://alpha.imag.pub.ro/~rasche/course/compvis/compvis1.pdf
编号:33
类型:文章
题目:目标检测最新方向:推翻固有设置,不再一成不变Anchor
作者:Tenacious
出处:知乎专栏
发表时间:2019
链接:https://zhuanlan.zhihu.com/p/56228320
编号:34
类型:文章
题目:CNN网络结构的发展:从LeNet到EfficientNet
作者:zzq
出处:知乎专栏
发表时间:2019
链接:https://zhuanlan.zhihu.com/p/68411179
编号:35
类型:文章
题目:人物识别精准度提升至91.14%,TOP1团队如何实现
作者:watchdog团队(北京邮电大学自动化学院 )
出处:iQIYI&ACMMM2019多模态视频人物识别挑战赛
发表时间:2019
链接:https://mp.weixin.qq.com/s/eavedE3b7sm00IoZOa835Q
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-10-19 22:09
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社