BriefGPT - AI 论文速递
·
利用激活最大化和生成对抗训练在卫星图像中识别和解释自然地区中的模式
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文介绍了一种新的模型——生成对抗性何处网络（Generative Adversarial What-Where Network），该模型可以根据内容和位置描述合成图像。该模型在Caltech-UCSD Birds数据集上展示了高质量的图像合成能力，并且可以控制鸟类周围的边界框和组件。通过模拟条件分布，该系统可以控制各个部分。初步结果还展示了在MPII Human Pose数据集上对人体动作图像进行文本和位置可控合成的能力。
🎯
关键要点
-
提出了一种新的模型——生成对抗性何处网络（Generative Adversarial What-Where Network）。
-
该模型可以根据内容和位置描述合成图像。
-
在Caltech-UCSD Birds数据集上展示了高质量的128 x 128图像合成能力。
-
模型能够控制鸟类周围的边界框和组成部分。
-
通过模拟条件分布，系统可以控制各个部分。
-
初步结果显示在MPII Human Pose数据集上对人体动作图像进行文本和位置可控合成的能力。
➡️
